Ngành công nghiệp bán dẫn có quy trình sản xuất phức tạp với hàng trăm bước xử lý và yêu cầu kiểm soát chất lượng nghiêm ngặt, tạo ra lượng dữ liệu lớn chưa được khai thác hiệu quả.

• Hệ thống điều phối truyền thống dựa trên các luật định như FIFO, EDD, SRPT thường không thích nghi tốt với môi trường sản xuất biến động.
• - Tác giả đề xuất mô hình học tăng cường (reinforcement learning) sử dụng Q-learning kết hợp với mạng nơ-ron nhân tạo để học chiến lược điều phối tối ưu từ dữ liệu mô phỏng.
• - Mô hình được huấn luyện ngoại tuyến bằng mô phỏng và tiếp tục học trực tuyến khi triển khai thực tế, giúp thích nghi với thay đổi như hỏng hóc thiết bị, thay đổi nhu cầu, hoặc biến động sản xuất.
• - Kết quả thực nghiệm cho thấy hệ thống học tăng cường đạt hiệu suất sử dụng thiết bị cao hơn (90% so với 82%) và thời gian xử lý đơn hàng ngắn hơn (118 phút so với 125 phút) so với phương pháp truyền thống.
• - Mô hình có khả năng mở rộng sang các bài toán điều phối khác như phân bổ nhân lực, kiểm soát năng lực, và có tiềm năng ứng dụng trong sản xuất tự chủ.