김재곤 교수

재진입 공정과 높은 변동성을 가진 현대 제조 환경, 특히 반도체 공정에서 나타나는 복잡한 스케줄링 한계를 극복하기 위한 연구를 수행하고 있습니다. 생성형 AI(GenAI)가 잠재적 행동 후보를 제안하고 강화학습(RL)이 이를 평가하여 최종 행동을 선택하는 하이브리드 프레임워크를 핵심 방법론으로 구축했습니다. 이 구조는 기존 강화학습 단독 접근이 가진 탐색 공간의 비효율성을 GenAI의 후보 생성 능력으로 보완하고, RL이 실제 성능 기준으로 최적 후보를 선별하도록 설계되어 있습니다. 해당 기술은 반도체 Fab 스케줄링, 일반 제조 공정의 동적 최적화, 주문형 조립공정의 총 납기지연 최소화 스케줄링, 잡샵 스케줄링 등 다양한 생산 환경에 적용되고 있습니다. 성능 검증 결과 기존 DQN 기반 접근 대비 사이클 타임을 13.3% 감소시켰고 납기 지연을 39.4% 개선하는 성과를 확인했습니다. 본 연구는 한국연구재단 과제(RS-2025-00561377) 수행을 기반으로 TRL 3-6 단계에 위치하고 있습니다.

반도체 웨이퍼 팹(Fab)에서 생산량 극대화와 정시 납품을 동시에 달성하기 위한 효율적인 로트 관리 및 배치 구성 전략을 연구하고 있습니다. 핵심 기술로는 주문-로트 페깅(Order-Lot Pegging) 휴리스틱과 다차원 동적 계획 알고리즘을 결합하여, 다단계 반도체 생산라인에서 투입 로트를 구성하고 납기 지연을 최소화하는 전략을 수립합니다. 이 방법론은 대규모 주문과 로트 간의 매칭 문제를 다차원 상태 공간에서 효율적으로 탐색할 수 있도록 설계되어, 기존 규칙 기반 배치 방식보다 세밀한 자원 배분이 가능합니다. 해당 기술은 반도체 제조 공정 내 투입 로트 구성, 납기 지연 최소화 전략 수립, 다단계 반도체 생산라인의 로트페깅 문제에 실질적으로 적용되고 있습니다. 실제 적용 결과 장비 활용률 79.07%를 달성했으며, 셋업 시간을 획기적으로 단축하는 성과를 확인했습니다. 본 연구는 TRL 4-6 단계로 추정되는 실용화 수준에 도달해 있습니다.

IMO 등 국제기구의 온실가스(GHG) 배출 규제가 강화됨에 따라 해운 산업이 시급히 대응해야 하는 환경 문제를 해결하기 위한 연구를 진행하고 있습니다. 핵심 방법론으로 Well-to-Wake 배출량을 고려한 해상 운송 GHG 집약도(MGI) 프레임워크를 구축하고, 이를 기반으로 선박 속도 최적화 휴리스틱을 개발했습니다. 이 프레임워크는 연료 생산부터 최종 배출까지의 전 과정을 포괄적으로 반영하여 기존 단순 연비 기반 평가 방식보다 정밀한 환경 성과 측정을 가능하게 합니다. 해당 기술은 경제적 선박 운항 속도 결정, 무탄소 연료 보상 메커니즘 분석, 컨테이너 선박의 최적 운영 문제에 적용되고 있습니다. 연구 성과로는 선종 및 건조 시기에 따른 추진 성능 차이를 정량적으로 비교할 수 있는 평가 지표를 개발한 점을 들 수 있습니다. 본 연구는 TRL 2-4 단계로 추정되는 초기 실증 단계에 있습니다.