Masterstudent slaagt erin de toeleveringsketen van ASML 5 procent efficiënter te maken

Hoe AI het servicenetwerk voor Nederlandse chipmachines verbetert.

Voor zijn afstudeerscriptie liep Operations Management & Logistics and Data Science in Engineering masterstudent Joost van der Haar stage bij chipmachinefabrikant ASML in Veldhoven. Daar gebruikte hij kunstmatige intelligentie om een verbeterd model te ontwikkelen voor de supply chain van reserveonderdelen voor de geavanceerde chipmachines. Volgens Van der Haar kan dit het bedrijf miljoenen euro’s per jaar besparen.

Wanneer een geavanceerde chipmachine bij ASML in Veldhoven van de band rolt en bij een klant wordt geïnstalleerd, is het de bedoeling dat hij blijft werken – altijd. In de concurrerende wereld van chipmakers vertaalt stilstand zich al snel in een verlies van miljoenen. Daarom heeft ASML een wereldwijd netwerk van meer dan 60 distributiepunten met reserveonderdelen, dat ervoor moet zorgen dat een onderdeel altijd op tijd bij de klant is voor onderhoud. Een chipmachine heeft duizenden onderdelen en in het distributienetwerk circuleren tienduizenden verschillende reserveonderdelen. Al die onderdelen hebben hun eigen gemiddelde levensduur en levertijd.

Eigen logistiek systeem
Om de levering van componenten te beheren, gebruikt ASML het systeem NORA (Network Oriented Replenishment Automation). Dit maakt elke dag een nieuw aanvullingsplan. Het houdt nauwkeurig bij hoeveel onderdelen er op voorraad zijn, verschuift indien nodig tussen locaties en bestelt nieuwe onderdelen. TU/e masterstudent Joost van der Haar liep tien maanden stage bij ASML en nam dit replenishment systeem voor reserveonderdelen onder de loep. Hij zag dat het beter kon. Door een deep reinforcement learning model (een vorm van kunstmatige intelligentie) te trainen met supply chain gedrag, creëerde hij een nieuw algoritme dat volgens hem efficiënter is dan dat van ASML. Het bedrijf zou elk jaar ongeveer 5 procent kunnen besparen op onder andere transport om de duizenden machines wereldwijd te bevoorraden. Machines zouden ook minder lang buiten gebruik zijn.

Kunstmatige intelligentie
Logistiek is een evenwichtsoefening. Natuurlijk wil je dat er altijd genoeg reserveonderdelen zijn voor machines; aan de andere kant is het ook inefficiënt om (onnodig) veel voorraad te hebben. ASML bepaalt de optimale hoeveelheid van tienduizenden onderdelen in haar servicenetwerk.

Volgens Van der Haar hangt de meest efficiënte voorraad af van veel verschillende elementen. Als een onderdeel snel kapot gaat, is er meer voorraad nodig. Het hangt ook af van het type servicecontract dat ASML en de klant hebben afgesloten. Daarnaast moeten onderdelen op de juiste locatie liggen.

“De meeste voorraadlocaties van ASML liggen logisch gezien dicht bij de klanten, zoals de grote chipfabrikanten in Taiwan”, zegt Van der Haar.

Schaalgrootte vormt een uitdaging
Door de schaal van dit distributienetwerk is het eigenlijk wiskundig onmogelijk om een perfect distributieplan te maken. De planningssoftware NORA doet hier wel een poging toe en komt meestal tot een goede oplossing.

Van der Haar probeerde het probleem aan te pakken met kunstmatige intelligentie (AI), die meestal goed geschikt is voor dit soort optimalisatieproblemen. Het DynaPlex-algoritme dat hij gebruikte is ontwikkeld door Willem van Jaarsveld, universitair hoofddocent Stochastische optimalisatie en machinaal leren aan de TU/e.

Van der Haar voedde het AI-model met informatie over het toeleveringsnetwerk van ASML. De gegevens kwamen uit een simulatie van de hele keten van reserveonderdelen. “In tegenstelling tot het NORA-model van ASML vertel ik DynaPlex niet hoe hij zich moet gedragen. De AI bepaalt dat zelf, op basis van de gegevens uit de simulatie,” zegt Van der Haar.

Schaalgrootte vormt een uitdaging
Door de schaal van dit distributienetwerk is het eigenlijk wiskundig onmogelijk om een perfect distributieplan te maken. De planningssoftware NORA doet hier wel een poging toe en komt meestal tot een goede oplossing.

Van der Haar probeerde het probleem aan te pakken met kunstmatige intelligentie (AI), die meestal goed geschikt is voor dit soort optimalisatieproblemen. Het DynaPlex-algoritme dat hij gebruikte is ontwikkeld door Willem van Jaarsveld, universitair hoofddocent Stochastische optimalisatie en machinaal leren aan de TU/e.

Van der Haar voedde het AI-model met informatie over het toeleveringsnetwerk van ASML. De gegevens kwamen uit een simulatie van de hele keten van reserveonderdelen. “In tegenstelling tot het NORA-model van ASML vertel ik DynaPlex niet hoe hij zich moet gedragen. De AI bepaalt dat zelf, op basis van de gegevens uit de simulatie,” zegt Van der Haar.

Lees het hele artikel in het Engels.