CN119398462A 基于图神经网络模型的芯片生产物流网络优化方法及系统 （北京珂阳科技有限公司）

区西环南路26号院30号楼（嘉捷科技基于图神经网络模型的芯片生产物流网络本发明提供一种基于图神经网络模型的芯化模型预测子网络状态变化生成资源分配方案2采集芯片生产线上多个工艺节点的物流数据；基于物流数据计算所述根据所述多级物流网络图中的物料传输网络划分物流子网络基于优化后的图神经网络模型预测物流子网络的状态变化，结合采集芯片生产线上每个工艺节点的物料到达时间、物料完成加工时间和设备利用率；计算物流异常点在单位时间窗口内的出现次数，得到异3监测各工艺节点的物流异常点数量，当物流异常点数量超过基于所述多级物流网络图中的物料传输网络，确定节点间的物料流计算相邻物流子网络之间的物料流转总量与各物流子网络物料流转总量最大值的比构建子网络状态预测器，所述子网络状态预测器包组合当前物流子网络的节点状态预测值、相邻物流子网络的节提取物流子网络的拓扑结构特征和节点运行状态特征，基于图神经4;将物流子网络的状态预测结果和历史误差数据输入至图神经网络模型经网络模型基于所述历史误差数据构建状态预测的不确定性区间，根据所述不确定性区基于所述物流子网络的连接关系，构建物料传输网络的拓扑结构根据所述状态预测结果和所述不确定性区间，计算各物流节点的物料基于所述物料传输网络的拓扑结构建立物料流动约束，针对一计算所述物料分配策略的鲁棒性指标，基于所述鲁棒性采集资源竞争网络中工艺节点的连接关系和竞争关系，构建多维异将所述节点优先级张量和资源竞争网络中的资源容量信息输入层次化编码网络进行5将所述调度约束图谱输入概率编码网络，获取工艺节点执行时间的根据所述调度约束图谱构建优化函数，将所述节点执行时间序列输8.基于图神经网络模型的芯片生产物流网络优化系统，用于实现前述权利要求1_7中第一单元，用于采集芯片生产线上多个工艺节点的物流第二单元，用于根据所述多级物流网络图中的物料传输网络第三单元，用于基于优化后的图神经网络模型预测物流子网其中，所述处理器被配置为调用所述存储器存储的指令，以执行程序指令被处理器执行时实现权利要求1至7中任意6[0005]本发明实施例提供一种基于图神经网络模型的芯片生产物流网络优化方法及系78[0023]计算相邻物流子网络之间的物料流转总量与各物流子网络物料流转总量最大值态预测器的状态预测偏差和协同调度信息的执行误差，构建包含网络结构约束的目标函尺度下的第一小波基函数，x(·)表示i物流子网络对应的状态序列，表示与t不同的时9传输网络中相邻物流节点之间的时变传输强度，基于所述时变传输强度确定物料传输瓶[0035]根据所述状态预测结果和所述不确定性区间，计算各物输容量约束构建为资源分配优化目标，采用深度强化学习网络求解所述资源分配优化目[0042]将所述节点优先级张量和资源竞争网络中的资源容量信息输入层次化编码网络行时间序列；于所述资源竞争网络确定物流子网络间的关联强度；针对各物流子网络提取物料流转特子网络的物料分配和传输路径；将所述资源分配方案和节点调度序列转换为设备控制指[0058]图1为本发明实施例基于图神经网络模型的芯片生产物流网络优化方法的流程示[0059]图2为本发明实施例基于图神经网络模型的芯片生产物流网络优化系统的结构示[0062]图1为本发明实施例基于图神经网络模型的芯片生产物流网络优化方法的流程示[0063]S101.采集芯片生产线上多个工艺节点映物流网络中节点之间的多层次关系和竞争情况，有助于解决复杂物流系统中的协调问[0070]S102.根据所述多级物流网络图中的物料传输网[0072]S103.基于优化后的图神经网络模型网络的连接关系生成资源分配方案；根据资源竞争网络的优先级约束计算节点调度序列；[0074]根据物料传输网络的连接关系，计算相邻工艺节点间的[0076]将资源分配方案和节点调度序列转换为标准设备控制指令，包括物料传输指令、[0077]在本实施例中，通过基于优化后的图神经网络模型预测物流数。小波分解可以理解为将积压变化率分解成快速变化的部分（高频）和缓慢变化的部分能存在物流异常。[0091]对所有节点的关键度得分进行排序。将排序靠前的三分之一节点标记为核心节艺节点视为网络中的一个节点，根据相邻工艺节点之间的物料流转关系创建物料传输矩次数和每次异常造成的损失，并根据预设规则计算得到新的异常发生频率和异常强度值。[0104]计算相邻物流子网络之间的物料流转总量与各物流子网络物料流转总量最大值态预测器的状态预测偏差和协同调度信息的执行误差，构建包含网络结构约束的目标函尺度下的第一小波基函数，x(·)表示i物流子网络对应的状态序列，表示与t不同的时可以帮助识别关键的物流子网络以及它们之间的相传输网络中相邻物流节点之间的时变传输强度，基于所述时变传输强度确定物料传输瓶[0130]根据所述状态预测结果和所述不确定性区间，计算各物输容量约束构建为资源分配优化目标，采用深度强化学习网络求解所述资源分配优化目方案。[0145]将所述节点优先级张量和资源竞争网络中的资源容量信息输入层次化编码网络行时间序列；[0155]采集生产线物流数据：采集晶圆组在机台上料口和缓存器节点间的历史搬送记[0160]预测网络状态：应用图神经网络模型预测未来2小时内各子网络的搬送需求量和的设备分配方案和搬送路径规划。[0162]图2为本发明实施例基于图神经网络模型的芯片生产物流网络优化系统的结构