1 |
1
컴퓨팅 장치에 의해 수행되는 공정 최적화 방법으로서, 최적화 사이클에 진입하여, 초기 데이터셋을 기초로 공정 매개변수 예측 모델을 학습시키는 단계, 상기 공정 매개변수 예측 모델을 통해 획득된 공정 매개변수 후보 데이터들을 기초로, 적어도 하나의 목표함수의 값을 산출하는 단계, 및상기 최적화 사이클의 최적화 기준 충족 여부를 판단하고, 상기 최적화 기준을 충족하지 않는다는 판단에 따라, 상기 공정 매개변수 후보 데이터들을 상기 초기 데이터셋과 결합하여 다음 최적화 사이클에 진입하는 단계를 포함하는,공정 최적화 방법
|
2 |
2
제1항에서, 상기 초기 데이터셋은,설계 공간에서 무작위로 생성된 복수의 공정 매개변수 초기 데이터, 및 상기 복수의 공정 매개변수 초기 데이터 각각으로부터 산출되는 상기 적어도 하나의 목표함수 값의 쌍들로 구성되는,공정 최적화 방법
|
3 |
3
제1항에서, 상기 적어도 하나의 목표함수는,최대 처짐(maximum deflection)을 포함하는 제품 품질에 관한 목표함수, 사이클 시간(cycle time)을 포함하는 생산 비용에 관한 목표함수, 및 에너지 소비에 관한 목표함수 중 적어도 일부를 포함하고, 상기 적어도 하나의 목표함수 각각은 상호간 트레이드오프(trade-off) 관계를 가지는,공정 최적화 방법
|
4 |
4
제1항에서, 상기 적어도 하나의 목표함수의 값은, 상기 공정 매개변수 후보 데이터들을 기초로 수행되는 유한 요소 분석 시뮬레이션 또는 사출 성형기 실험 중 적어도 하나를 통해 산출되는,공정 최적화 방법
|
5 |
5
제1항에서, 상기 공정 매개변수 예측 모델은, GPR(Gaussian Process Regression; 가우시안 프로세스 회귀) 기반 모델이고, 상기 공정 매개변수 후보 데이터들은, 학습된 상기 GPR 기반 모델을 사용하여 설계 공간에 대해 획득 함수(acquisition function)의 값을 평가하여, 상기 설계 공간에서 상기 획득 함수의 값이 최대화되는 위치 값을 기초로 획득되는,공정 최적화 방법
|
6 |
6
제5항에서, 상기 획득 함수는, 파레토 전선 및 레퍼런스 포인트에 의해 지배되는 영역인 하이퍼볼륨에 대하여, 상기 공정 매개변수 후보 데이터들에 의해 지배되는 영역인 하이퍼볼륨 개선(hypervolume improvement; HVI)에 대한 기대 함수(expected hypervolume improvement; EHVI)인, 공정 최적화 방법
|
7 |
7
제1항에서, 상기 공정 매개변수 예측 모델은, 상기 초기 데이터셋의 입력 값 및 출력 값 간의 관계에 따라 가중치(weights) 및 편향(bias)이 학습된 DNN(Deep Neural Network; 심층 신경망) 기반 모델인, 공정 최적화 방법
|
8 |
8
제7항에서, 상기 적어도 하나의 목표함수의 값을 산출하는 단계는,학습된 상기 가중치 및 편향을 고정된 상수로 갖는 상기 DNN 기반 모델에, 가변 가중치를 갖는 일대일 매핑(one-to-one mapping) 레이어를 추가하는 단계, 역전파를 통해, 상기 적어도 하나의 목표함수의 값을 최소화하도록 상기 가변 가중치를 학습시키는 단계, 및학습된 상기 가변 가중치를 기초로 상기 공정 매개변수 후보 데이터들을 획득하는 단계를 포함하는, 공정 최적화 방법
|
9 |
9
제1항에서, 상기 최적화 기준은, 상기 현재 최적화 사이클까지 수행된 최적화 사이클들의 횟수, 및 상기 공정 매개변수 후보 데이터들 또는 상기 적어도 하나의 목표함수의 값의 수렴 정도 중 적어도 하나를 포함하는, 공정 최적화 방법
|
10 |
10
제1항에서, 상기 방법은, 상기 최적화 기준을 충족한다는 판단에 따라, 상기 공정 매개변수 후보 데이터들을 기초로 공정 설계를 수행하게끔 하는 단계를 더 포함하는, 공정 최적화 방법
|
11 |
11
최적화 사이클에 진입하여, 초기 데이터셋을 기초로 공정 매개변수 예측 모델을 학습시키는 모델 학습부, 상기 공정 매개변수 예측 모델을 통해 공정 매개변수 후보 데이터들을 획득하는 후보 데이터 추천부, 상기 공정 매개변수 후보 데이터들을 기초로, 적어도 하나의 목표함수의 값을 산출하는 목표 시뮬레이션부, 및상기 최적화 사이클의 최적화 기준 충족 여부를 판단하고, 상기 최적화 기준을 충족하지 않는다는 판단에 따라, 상기 공정 매개변수 후보 데이터들을 상기 초기 데이터셋과 결합하여 다음 최적화 사이클에 진입하게끔 하는 최적화 판단부를 포함하는,공정 최적화 장치
|
12 |
12
제11항에서, 상기 초기 데이터셋은,설계 공간에서 무작위로 생성된 복수의 공정 매개변수 초기 데이터, 및 상기 복수의 공정 매개변수 초기 데이터 각각으로부터 산출되는 상기 적어도 하나의 목표함수 값의 쌍들로 구성되는,공정 최적화 장치
|
13 |
13
제11항에서, 상기 적어도 하나의 목표함수는,최대 처짐(maximum deflection)을 포함하는 제품 품질에 관한 목표함수, 사이클 시간(cycle time)을 포함하는 생산 비용에 관한 목표함수, 및 에너지 소비에 관한 목표함수 중 적어도 일부를 포함하고, 상기 적어도 하나의 목표함수 각각은 상호간 트레이드오프(trade-off) 관계를 가지는,공정 최적화 장치
|
14 |
14
제11항에서, 상기 적어도 하나의 목표함수의 값은, 상기 공정 매개변수 후보 데이터들을 기초로 수행되는 유한 요소 분석 시뮬레이션 또는 사출 성형기 실험 중 적어도 하나를 통해 산출되는,공정 최적화 장치
|
15 |
15
제11항에서, 상기 공정 매개변수 예측 모델은, GPR(Gaussian Process Regression; 가우시안 프로세스 회귀) 기반 모델이고, 상기 공정 매개변수 후보 데이터들은, 학습된 상기 GPR 기반 모델을 사용하여 설계 공간에 대해 획득 함수(acquisition function)의 값을 평가하여, 상기 설계 공간에서 상기 획득 함수의 값이 최대화되는 위치 값을 기초로 획득되는,공정 최적화 장치
|
16 |
16
제15항에서, 상기 획득 함수는, 파레토 전선 및 레퍼런스 포인트에 의해 지배되는 영역인 하이퍼볼륨에 대하여, 상기 공정 매개변수 후보 데이터들에 의해 지배되는 영역인 하이퍼볼륨 개선(hypervolume improvement; HVI)에 대한 기대 함수(expected hypervolume improvement; EHVI)인, 공정 최적화 장치
|
17 |
17
제11항에서, 상기 공정 매개변수 예측 모델은, 상기 초기 데이터셋의 입력 값 및 출력 값 간의 관계에 따라 가중치(weights) 및 편향(bias)이 학습된 DNN(Deep Neural Network; 심층 신경망) 기반 모델인, 공정 최적화 장치
|
18 |
18
제17항에서, 상기 후보 데이터 추천부는, 학습된 상기 가중치 및 편향을 고정된 상수로 갖는 상기 DNN 기반 모델에, 가변 가중치를 갖는 일대일 매핑(one-to-one mapping) 레이어를 추가하고, 역전파를 통해 상기 적어도 하나의 목표함수의 값을 최소화하도록 상기 가변 가중치를 학습시키고, 학습된 상기 가변 가중치를 기초로 상기 공정 매개변수 후보 데이터들을 획득하는,공정 최적화 장치
|
19 |
19
제11항에서, 상기 최적화 기준은, 상기 현재 최적화 사이클까지 수행된 최적화 사이클들의 횟수, 및 상기 공정 매개변수 후보 데이터들 또는 상기 적어도 하나의 목표함수의 값의 수렴 정도 중 적어도 하나를 포함하는, 공정 최적화 장치
|
20 |
20
제11항에서, 상기 최적화 판단부는,상기 최적화 기준을 충족한다는 판단에 따라, 상기 공정 매개변수 후보 데이터들을 기초로 공정 설계를 수행하게끔 하는,공정 최적화 장치
|