面向半导体晶圆厂物料控制系统的学习辅助拥塞感知路径调度

半导体晶圆厂中的自动化物料搬运系统由物料控制系统（MCS）运行，MCS 必须在执行前在线为每条运输指令调度一条中继路径。这是一个数据驱动的调度问题，其中路径成本的高尾部主要由异构、部分可观测的中继设备上的排队所主导，因此在决策时刻进行路径选择需要同时估计交付时间和拥塞风险。本文提出一种面向运输网络感知的动态拥塞表示（TN-DCR）。TN-DCR 建立在由历史观测到的中继片段诱导出的静态有向运输图之上，融合了结构化路径先验、多时间窗的全网拥塞上下文、路径级瓶颈暴露，以及一种归纳式的图感知路径嵌入；所有这些都在一个预测时安全不变式下构建，仅允许使用严格早于预测时刻所观测到的信息。该表示输入到分别用于排队时间和传输时间的回归器，以及一个序数多标签分类器，后者生成经过校准的多阈值超限分数；同时，经验贝叶斯 stock-key 残差修正用于降低系统性排队时间低估。这些预测被用作一种风险约束路径调度规则中的代价函数，在极端拥塞概率受限的条件下最小化预测交付时间，将学习到的预测器嵌入一个轻量级运筹决策模型中。在受控的闭环评估中，平均交付时间下降了 16.4\%，内部资源等待时间下降了 22.6\%，而吞吐量基本保持不变。