적층 제조 (Additive manufacturing) 공정 최적화는 기공률 (porosity)과 같은 결함을 최소화하기 위해 정밀한 파라미터 제어를 필요로 합니다. 이산적 행동 공간 (discrete action spaces)을 사용하는 전통적인 강화학습 (RL) 접근 방식은 느린 수렴 속도와 지역 최적점 (local optima)에 빠지기 쉬운 특성으로 인해 고정밀 제조 작업에서의 효과가 제한적입니다. 본 연구는 연속적 행동 공간 (continuous action space)을 채택하고, Multi-Head Attention 메커니즘을 Soft Actor-Critic (SAC) 알고리즘과 통합한 새로운 아키텍처를 사용하여 이러한 한계를 해결합니다. Attention 기반 특징 추출기 (feature extractor)는 저차원 입력 특징 (low-dimensional input features)의 미세한 변화를 포착하는 에이전트의 능력을 향상시켜, 지역 최솟값 (local minima)이 존재하는 가치 공간 (value spaces)을 탐색할 때 더욱 효과적인 탐색-활용 (exploration-exploitation) 균형을 가능하게 합니다. 우리는 레이저 분말 베드 용융 (laser powder bed fusion)에서의 기공률 예측 및 공정 파라미터 최적화에 대해 본 접근 방식을 검증하였으며, DQN, PPO, TD3 및 Vanilla SAC를 포함한 표준 RL 방법들과 비교하여 더 빠른 수렴과 더 높은 최종 보상 값을 입증하였습니다. 제안된 방법론은 14 에피소드(episodes) 이내에 322.79의 수렴 값을 달성하였으며, 훈련 전반에 걸쳐 안정성을 유지하면서 기존 방식들을 능가하는 성능을 보여주었습니다.