平均材料去除率预测方法、装置、电子设备和存储介质与流程

1.本发明涉及虚拟量测技术领域，尤其涉及一种平均材料去除率预测方法、装置、电子设备和存储介质。


背景技术：

2.在半导体以及集成电路制造过程中，化学机械抛光（chemical mechanical planarization，cmp）是实现晶圆表面平坦化的关键工艺。而在该过程中，平均材料去除率（material removal rate，mrr）是用于评估cmp过程的性能以及产品质量的关键指标之一。由于其难以通过传感器或者其他的计量方法测量，因此虚拟量测（virtual metrology，vm）的方法被广泛应用于mrr的预测。
3.现有技术中，预测cmp过程中的mrr指标，需要从过程变量中提取特征进行建模，因此存在设备退化会对预测结果造成影响，导致预测结果准确率不高。


技术实现要素：

4.为解决现有化学机械抛光过程中，平均材料去除率的预测不准确的技术问题，本发明实施例提供一种平均材料去除率预测方法、装置、电子设备和存储介质。
5.本发明实施例的技术方案是这样实现的：本发明实施例提供了一种平均材料去除率预测方法，方法包括：获取模型训练集；对所述模型训练集进行归一化处理；对归一化处理后的所述训练集中的每个样本进行特征提取；根据提取后的特征利用高斯过程回归进行建模；利用建模后的模型对测试样本进行预测，获得所述测试样本的平均材料去除率预测值。
6.上述方案中，所述获取模型训练集包括：获取多个晶圆在进行化学机械抛光过程中的传感器测量值和对应的平均材料去除率；将所述多个晶圆的传感器测量值和对应的平均材料去除率作为模型训练集。
7.上述方案中，所述对所述模型训练集进行归一化处理包括：利用如下公式（1）对所述模型训练集进行归一化处理：（1）其中，表示归一化后的模型训练集，s表示归一化前的模型训练集，standard deviation（）表示标准差方程，mean（）表示平均值方程。
8.上述方案中，所述对归一化处理后的所述训练集中的每个样本进行特征提取包括：对所述训练集中的每个样本进行基于时间的参考样本提取，获得基于时间的参考
样本特征；对所述训练集中的每个样本进行基于相似度的参考样本提取，获得基于相似度的参考样本特征；将所述训练集中的每个样本的基于时间的参考样本特征和基于相似度的参考样本特征合并，作为所述训练集中的每个样本的提取特征。
9.上述方案中，所述对所述训练集中的每个样本进行基于时间的参考样本提取，获得基于时间的参考样本特征包括：对所述训练集中的每个样本提取对应的时间戳值；计算每个样本的时间戳值与所述训练集中其他样本的时间戳值之间的差值；根据所述差值，查找预设第一数量个距离所述每个样本在时间戳上最近的样本；获取所述最近的样本以及对应的平均材料去除率，作为所述基于时间的参考样本特征。
10.上述方案中，所述对所述训练集中的每个样本进行基于相似度的参考样本提取，获得基于相似度的参考样本特征包括：计算所述训练集中的每个样本与所述训练集中的其他样本之间的相似性；确定预设第二数量个与所述训练集中的每个样本最相似的样本；获取所述最相似的样本以及对应的平均材料去除率，作为所述基于相似度的参考样本特征。
11.上述方案中，所述根据提取后的特征利用高斯过程回归进行建模包括：利用均值函数和协方差函数对提取后的特征进行参数化；基于参数化的特征，利用预设的通用方程进行模型的构建。
12.本发明实施例还提供了一种平均材料去除率预测装置，平均材料去除率预测装置包括：获取模块，用于获取模型训练集；归一化模块，用于对所述模型训练集进行归一化处理；提取模块，用于对归一化处理后的所述训练集中的每个样本进行特征提取；建模模块，用于根据提取后的特征利用高斯过程回归进行建模；预测模块，用于利用建模后的模型对测试样本进行预测，获得所述测试样本的平均材料去除率预测值。
13.本发明实施例还提供了一种电子设备，包括：处理器和用于存储能够在处理器上运行的计算机程序的存储器；其中，处理器用于运行计算机程序时，执行上述任一方法的步骤。
14.本发明实施例还提供了一种存储介质，存储介质中存储有计算机程序，计算机程序被处理器执行时，实现上述任一方法的步骤。
15.本发明实施例提供的平均材料去除率预测方法、装置、电子设备和存储介质，获取模型训练集；对所述模型训练集进行归一化处理；对归一化处理后的所述训练集中的每个样本进行特征提取；根据提取后的特征利用高斯过程回归进行建模；利用建模后的模型对测试样本进行预测，获得所述测试样本的平均材料去除率预测值。采用本发明提供的方案无需从过程变量中提取相应的统计量特征进行建模，可保证模型的预测精度。本发明利用
高斯过程回归进行建模，还能给出预测结果的置信区间，可辅助用户决策。
附图说明
16.图1为本发明实施例平均材料去除率预测方法的流程示意图；图2为本发明应用实施例平均材料去除率预测过程流程示意图；图3为本发明实施例平均材料去除率预测装置的结构示意图；图4为本发明实施例计算机设备的内部结构图。
具体实施方式
17.下面将结合附图及实施例对本发明作进一步详细的描述。
18.在介绍本发明实施例方案之前，先介绍以下相关内容：在半导体以及集成电路制造过程中，化学机械抛光（chemical mechanical planarization，cmp）是实现晶圆表面平坦化的关键工艺。与传统的纯机械或者纯化学的抛光手段不同，cmp工艺是通过表面化学作用以及机械研磨的技术结合来实现晶圆表面微米，甚至纳米级材料的去处，从而实现晶圆表面纳米级平坦化，使得接下来的光刻工艺得以进行。因此，为了提高生产效率以及产品质量，先进过程控制（advanced process control，apc）被广泛应用于半导体制造中。
19.虚拟量测（virtual metrology，vm）是apc技术中的最重要的研究领域之一，其旨在基于包括已测量的参数以及各种传感器信号在内的晶圆的状态数据，预测后处理中可测量的或者不可测量的参数。vm已被广泛研究并被应用于检测晶圆产品的质量问题，从而提升生产工艺，确保产品质量一致性，并减少停机时间。
20.对于cmp工艺，生产过程中的平均材料去除率（material removal rate，mrr）是用于评估cmp过程，以及产品质量的关键指标。由于mrr的实体测量存在一定的难度，并且精度难以确保，因此vm模型被广泛应用于mrr的预测。
21.当前用于mrr预测的vm模型开发主要有两个方向：（1）基于机理的建模方法；（2）数据驱动的建模方法。由于在cmp工艺中，mrr受到各种工艺变量的影响，如晶圆的材料特性，抛光液的特性以及工作条件等。因此基于机理的建模方法考虑通过工艺机理以及数学模型构建出一个描绘mrr与生产过程变量之间关系的方程，从而实现对mrr的预测。然而，考虑到cmp工艺中复杂的机械操作以及化学作用，基于机理的建模方法很难对影响mrr的各种动态过程变量进行建模。数据驱动的方法是基于大量的历史数据，通过机器学习或者深度学习，构建数据驱动的vm模型来对mrr进行预测。在模型开发中不需要考虑大量的工艺机理，并且可以实现高精度的预测。大量的算法模型已被应用于数据驱动的vm模型开发，如支持向量回归（support vector regression, svr），随机森林（random forest, rf）, 分类与回归树（classification and regression tree, cart）等。
22.虽然数据驱动的vm模型已被广泛的研究和运用于cmp过程中mrr预测。然而，当前的vm模型存在两个主要的问题：（1）当前的数据驱动的vm模型均需要从过程变量中提取相应的统计量特征进行建模。在实际应用中，过程变量往往会随着设备退化而产生一定的变化，这会严重影响mrr的预测精度。
23.（2）当前大多数的数据驱动的vm模型无法给出回归预测中的不确定性估计作为决策辅助。预测结果的可信度成疑。
24.基于此，本发明实施例提供了一种平均材料去除率预测方法，如图1所示，该方法包括：步骤101：获取模型训练集；步骤102：对所述模型训练集进行归一化处理；步骤103：对归一化处理后的所述训练集中的每个样本进行特征提取；步骤104：根据提取后的特征利用高斯过程回归进行建模；步骤105：利用建模后的模型对测试样本进行预测，获得所述测试样本的平均材料去除率预测值。
25.这里，可用来表示模型训练集。其中，m表示传感器数量，ni表示传感器信号所记录的时间长度，si表示第i个晶圆的加工过程中所记录的传感器信号。
26.在一实施例中，所述获取模型训练集包括：获取多个晶圆在进行化学机械抛光过程中的传感器测量值和对应的平均材料去除率；将所述多个晶圆的传感器测量值和对应的平均材料去除率作为模型训练集。
27.这里，可从以往的数据中获得多个晶圆在进行化学机械抛光过程中的传感器测量值和对应的平均材料去除率。利用获得的数据生成模型训练集。
28.在一实施例中，所述对所述模型训练集进行归一化处理包括：利用如下公式（1）对所述模型训练集进行归一化处理：（1）其中，表示归一化后的模型训练集，s表示归一化前的模型训练集，standard deviation（）表示标准差方程，mean（）表示平均值方程。
29.在对模型训练集进行归一化处理后，可进行特征提取操作。
30.具体地，在一实施例中，所述对归一化处理后的所述训练集中的每个样本进行特征提取包括：对所述训练集中的每个样本进行基于时间的参考样本提取，获得基于时间的参考样本特征；对所述训练集中的每个样本进行基于相似度的参考样本提取，获得基于相似度的参考样本特征；将所述训练集中的每个样本的基于时间的参考样本特征和基于相似度的参考样本特征合并，作为所述训练集中的每个样本的提取特征。
31.其中，在一实施例中，所述对所述训练集中的每个样本进行基于时间的参考样本提取，获得基于时间的参考样本特征包括：对所述训练集中的每个样本提取对应的时间戳值；计算每个样本的时间戳值与所述训练集中其他样本的时间戳值之间的差值；根据所述差值，查找预设第一数量个距离所述每个样本在时间戳上最近的样本；
获取所述最近的样本以及对应的平均材料去除率，作为所述基于时间的参考样本特征。
32.这里，可从训练集的每个样本si中提取相应的时间戳值，并计算其与训练集中其他所有样本的时间戳值之间的差值，记为。基于p，找出n
t
个与该样本si在时间戳上最邻近的样本，并记录这些样本相对应的mrr值，记为。
33.相应地，在一实施例中，所述对所述训练集中的每个样本进行基于相似度的参考样本提取，获得基于相似度的参考样本特征包括：计算所述训练集中的每个样本与所述训练集中的其他样本之间的相似性；确定预设第二数量个与所述训练集中的每个样本最相似的样本；获取所述最相似的样本以及对应的平均材料去除率，作为所述基于相似度的参考样本特征。
34.针对训练集的每个样本si，计算其与训练集中其中所有样本的传感器信号之间的相似性。考虑到不同样本间的传感器信号所记录的时间长度有所不同。本专利使用时间序列对齐核（global alignment kernel，ga kernel）来衡量两个样本之间的相似度。同上，记每个样本s与训练集中所有样本si之间的相似性为，找出nf个与该样本s最相似的样本，并记录这些样本相对应的mrr值作为特征，记为。
35.在一实施例中，所述根据提取后的特征利用高斯过程回归进行建模包括：利用均值函数和协方差函数对提取后的特征进行参数化；基于参数化的特征，利用预设的通用方程进行模型的构建。
36.将每个样本所提取出的与合并作为该样本的特征，记为，并进行回归。为了得到所预测值的置信区间，使用高斯过程对特征进行回归。
37.本发明实施例提供的平均材料去除率预测方法，获取模型训练集；对所述模型训练集进行归一化处理；对归一化处理后的所述训练集中的每个样本进行特征提取；根据提取后的特征利用高斯过程回归进行建模；利用建模后的模型对测试样本进行预测，获得所述测试样本的平均材料去除率预测值。采用本发明提供的方案无需从过程变量中提取相应的统计量特征进行建模，可保证模型的预测精度。本发明利用高斯过程回归进行建模，还能给出预测结果的置信区间，可辅助用户决策。
38.下面，将结合应用实施例对本发明实施例进行详细描述。
39.本应用实施例提供了一种基于高斯过程回归的用于化学机械抛光过程中材料去除率预测以及不确定性评估的虚拟量测方法。
40.具体地，本实施例的方法如下：（1）数据描述：在cmp过程中，第i个晶圆的加工过程中所记录的传感器信号为，其中m表示传感器数量，ni表示传感器信号所记录的时间长度。这里，需要注意的是每一个晶圆的加工时间可能存在差异。ri为该晶圆所对应的mrr。因此，用于vm模型开发的训练集可以定义为。测试数据可以定义为，对应的
所预测的mrr值为。
41.（2）归一化：对每个样本的采集数据进行归一化。具体操作为：其中，表示归一化后的模型训练集，s表示归一化前的模型训练集，standard deviation（）表示标准差方程，mean（）表示平均值方程。
42.（3）参考样本提取：a、基于时间的参考样本提取：从训练集的每个样本si中提取相应的时间戳值，并计算其与训练集中其他所有样本的时间戳值之间的差值，记为。基于p，找出n
t
个与该样本si在时间戳上最邻近的样本，并记录这些样本相对应的mrr值，记为。
43.b、基于相似度的参考样本提取：针对训练集的每个样本si，计算其与训练集中其中所有样本的传感器信号之间的相似性。考虑到不同样本间的传感器信号所记录的时间长度有所不同。本专利使用时间序列对齐核（global alignment kernel，ga kernel）来衡量两个样本之间的相似度。同上，记每个样本s与训练集中所有样本si之间的相似性为，找出nf个与该样本s最相似的样本，并记录这些样本相对应的mrr值作为特征，记为。
44.下面，详细介绍下时间序列对齐核：给定π为两个多元离散时间序列样本和训练样本之间的对齐方式，则π为一对长度为的向量。和分别为s和si的动态规则路径。基于π，ga kernel的表达式如下：其中，为所有可能的对齐方式。φ为欧氏距离的平方，(v与w为欧式空间向量)，则其中的局部核函数可以定义为。
45.基于上述表达式，ga kernel的计算可以精确地表示如下，等于,其中系数通过边界值以及迭代来定义得到：
最终得到即为s与si之间的ga距离。
46.（4）模型训练与预测：将每个样本所提取出的与合并作为该样本的特征，记为，并进行回归。为了得到所预测值的置信区间，使用高斯过程对特征进行回归。
47.下面，详细介绍下高斯过程回归：高斯过程回归使用高斯先验分布对时间序列数据进行建模。通过均值函数和协方差函数对数据进行参数化，分别为和,其中z’为测试样本对应的特征。其可以用一个通用方程进行描述：其中，z和yz分别为模型的输入以及输出。其中协方差函数用来描述每个样本输入之间的相似性，其设计的前提是相似的输入x更有可能透射到相似的输出目标yz上。协方差函数的构建可以通过各种核函数实现。在本专利中，我们使用自动相关性确定函数来构建协方差函数（automatic relevance determination，ard）。
48.高斯过程回归模型的构建通过最小化负对数边缘化似然（negative log marginalized likelihood，nlml）来实现，具体表现为：其中k为核矩阵，为信号噪声的方差，为超参数。基于上式，可以通过以下的式子进行计算：该优化问题已被验证为凸优化问题，因此可以通过梯度下降法进行求解。
49.在模型构建完毕后，假设存在一个测试样本z*，则预测过程可以表示为：其中为预测结果，可用来表示预测结果不确定性。预测不确定性具体表示为 95% 置信区间的误差界限。
50.本实施例在回归模型的构建中，不需要从传感器数据中提取特征。仅仅使用所提取到的参考样本的mrr值作为回归特征，避免了设备退化导致传感器数据发生偏移，影响模型的性能。另外，本实施例所提出的方法可以给出预测结果的不确定性，用于评估所得预测结果的置信度。用以辅助进行后续的维护以及生产决策。并且，本实施例的整体模型结构简单，易于操作，实用性强。
51.进一步地，参见图2，本实施例的具体预测过程如下：模型训练阶段：步骤201：获取训练集；步骤202：进行归一化处理；步骤203：参考样本提取这里包括基于时间的参考样本提取和基于相似度的参考样本提取；步骤204：高斯过程回归建模。
52.样本预测阶段：步骤205：获取测试样本s’；步骤203：参考样本提取；这里包括基于时间的参考样本提取和基于相似度的参考样本提取；步骤206：高斯过程回归预测；步骤207：预测值mrr。
53.本实施例提出了一种新型的vm模型开发方法用于预测cmp过程中的mrr指标。与当前大部分的vm模型不同，本专利所提出的方法不需要从过程变量中提取特征进行建模，从而避免了设备退化对预测结果的影响。并且，通过高斯过程回归（gaussian process regression，gpr），可以提供所预测的mrr值的置信区间，用以进行决策辅助，以及确保所预测值的置信度。与当前大部分的vm模型相比，本专利所提出的方法具备更好的预测性能以及准确性。
54.为了实现本发明实施例的方法，本发明实施例还提供了一种平均材料去除率预测装置，如图3所示，平均材料去除率预测装置300包括：获取模块301、归一化模块302、提取模块303、建模模块304和预测模块305；其中，获取模块301，用于获取模型训练集；归一化模块302，用于对所述模型训练集进行归一化处理；提取模块303，用于对归一化处理后的所述训练集中的每个样本进行特征提取；建模模块304，用于根据提取后的特征利用高斯过程回归进行建模；预测模块305，用于利用建模后的模型对测试样本进行预测，获得所述测试样本的平均材料去除率预测值。
55.实际应用时，获取模块301、归一化模块302、提取模块303、建模模块304和预测模块305可由平均材料去除率预测装置中的处理器实现。
56.需要说明的是：上述实施例提供的上述装置在执行时，仅以上述各程序模块的划分进行举例说明，实际应用时，可以根据需要而将上述处理分配由不同的程序模块完成，即将终端的内部结构划分成不同的程序模块，以完成以上描述的全部或者部分处理。另外，上述实施例提供的上述装置与上述方法实施例属于同一构思，其具体实现过程详见方法实施
例，这里不再赘述。
57.为了实现本发明实施例的方法，本发明实施例还提供了一种计算机程序产品，计算机程序产品包括计算机指令，计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取计算机指令，处理器执行计算机指令，使得计算机设备执行上述方法的步骤。
58.基于上述程序模块的硬件实现，且为了实现本发明实施例的方法，本发明实施例还提供了一种电子设备（计算机设备）。具体地，在一个实施例中，该计算机设备可以是终端，其内部结构图可以如图4所示。该计算机设备包括通过系统总线连接的处理器a01、网络接口a02、显示屏a04、输入装置a05和存储器（图中未示出）。其中，该计算机设备的处理器a01用于提供计算和控制能力。该计算机设备的存储器包括内存储器a03和非易失性存储介质a06。该非易失性存储介质a06存储有操作系统b01和计算机程序b02。该内存储器a03为非易失性存储介质a06中的操作系统b01和计算机程序b02的运行提供环境。该计算机设备的网络接口a02用于与外部的终端通过网络连接通信。该计算机程序被处理器a01执行时以实现上述任意一项实施例的方法。该计算机设备的显示屏a04可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置a05可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
59.本领域技术人员可以理解，图4中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
60.本发明实施例提供的设备，设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现上述任意一项实施例的方法。
61.本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、cd-rom、光学存储器等）上实施的计算机程序产品的形式。
62.本技术是参照根据本技术实施例的方法、设备（系统）、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
63.这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
64.这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一
个方框或多个方框中指定的功能的步骤。
65.在一个典型的配置中，计算设备包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。
66.存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flashram)。存储器是计算机可读介质的示例。
67.计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitorymedia)，如调制的数据信号和载波。
68.可以理解，本发明实施例的存储器可以是易失性存储器或者非易失性存储器，也可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器（rom，read only memory）、可编程只读存储器（prom，programmable read-only memory）、可擦除可编程只读存储器（eprom，erasable programmable read-only memory）、电可擦除可编程只读存储器（eeprom，electrically erasable programmable read-only memory）、磁性随机存取存储器（fram，ferromagnetic random access memory）、快闪存储器（flash memory）、磁表面存储器、光盘、或只读光盘（cd-rom，compact disc read-only memory）；磁表面存储器可以是磁盘存储器或磁带存储器。易失性存储器可以是随机存取存储器（ram，random access memory），其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的ram可用，例如静态随机存取存储器（sram，static random access memory）、同步静态随机存取存储器（ssram，synchronous static random access memory）、动态随机存取存储器（dram，dynamic random access memory）、同步动态随机存取存储器（sdram，synchronous dynamic random access memory）、双倍数据速率同步动态随机存取存储器（ddrsdram，double data rate synchronous dynamic random access memory）、增强型同步动态随机存取存储器（esdram，enhanced synchronous dynamic random access memory）、同步连接动态随机存取存储器（sldram，synclink dynamic random access memory）、直接内存总线随机存取存储器（drram，direct rambus random access memory）。本发明实施例描述的存储器旨在包括但不限于这些和任意其它适合类型的存储器。
69.还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
70.以上仅为本技术的实施例而已，并不用于限制本技术。对于本领域技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原理之内所作的任何修改、等同替换、
改进等，均应包含在本技术的权利要求范围之内。