半导体制造工艺的性能预测器的制作方法

半导体制造工艺的性能预测器
优先权主张
1.本技术要求于2020年1月27日提交的美国专利申请序列no.62/966,378的优先权利益，其全部内容通过引用并入本文。
技术领域
2.本文公开的主题总体上涉及用于预测半导体制造工具中的沉积、蚀刻和清洁工艺的性能的方法、系统和机器可读存储介质。


背景技术：

3.这里提供的背景描述是为了总体呈现本公开的背景的目的。当前指定的发明人的工作在其在此背景技术部分以及在提交申请时不能确定为现有技术的说明书的各方面中描述的范围内既不明确也不暗示地承认是针对本公开的现有技术。
4.通常在半导体工艺反应器和设备特征的高保真建模和仿真方面投入大量精力，以更好地了解物质(例如，气相、水相或有机溶剂化相、固态)相之间的物理和化学机制和衬底上的相关表面动力学。对此类系统的良好理解和可预测性对于改进产品设计以及优化工艺条件(例如调整半导体制造工具参数)非常重要。


技术实现要素：

5.示例性方法、系统和计算机程序旨在预测半导体制造设备操作的性能。示例仅代表可能的变化。除非另有明确说明，否则部件和功能是可选的，可以组合或细分，操作可以按顺序变化或组合或细分。在以下描述中，出于解释的目的，阐述了许多具体细节以提供对示例性实施方案的透彻理解。然而，对于本领域技术人员来说显而易见的是，可以在没有这些具体细节的情况下实践本主题。
6.基于物理的模型和数据驱动的模型的混合(也称为混合模型)提供了构建各种因素(在实验或模拟数据集中生成)与可能不直接耦合或具有非线性依赖的响应变量之间的关系的机会。由于使用不同的模型(高保真模拟、数据驱动模型、降阶模型等)来构建这些关系，因此有效的混合模型可以识别以前未知的关系。这些混合模型与基于物理的高保真模拟相比计算的成本更低，并且可以跨越大范围的空间和时间尺度。随着混合模型增加了实验数据，结果的预测值随着导致模拟与实验数据不同的不确定性和假设被消除或它们的影响降低而改进。这种方法旨在减少项目的设计、制造和测试阶段之间花费的时间，从而导致较快的解决方案并且降低产品成本。
7.所呈现的实施方案利用基于物理的模拟(例如，高保真cfd模拟、原子模拟)、近似方法(例如，降阶模型、近似模型)、实验数据和其他数据源生成的不同的断开数据集(作为单个模型或堆叠模型)来确定对处理半导体特征的集体影响。可以使用机器学习(ml)技术分析从这些源获得的数据，以更好地预测工艺行为和预期结果。ml技术包括统计建模、深度神经网络、循环神经网络、卷积神经网络、克里金法(kriging)、动力学模式分解、适当的正
交分解等的任意组合，以生成物理约束的数据驱动模型。
8.一种方法包括用于获得机器学习(ml)模型的操作，每个模型都与预测半导体制造工具的操作的性能度量有关。此外，每个ml模型都利用为ml模型定义输入的特征。该方法还包括用于接收用于利用半导体制造工具制造产品的工艺定义的操作。使用一个或多个ml模型来估计半导体制造工具中使用的工艺定义的性能。此外，该方法包括在显示器上呈现显示产品的制造的性能的估计的结果。
9.另一个一般方面是用于包括存储器的系统，该存储器包括指令和一个或多个计算机处理器。指令在由一个或多个计算机处理器执行时使一个或多个计算机处理器执行包括获得机器学习(ml)模型的操作，每个模型与预测半导体制造工具的操作的性能度量有关。此外，每个ml模型都利用为ml模型定义输入的特征。接收用于用半导体制造工具制造产品的工艺定义，并且使用一个或多个ml模型来估计在半导体制造工具中使用的工艺定义的性能。此外，显示工艺的性能的估计的结果呈现在显示器上。
10.在又一个一般方面，机器可读存储介质(例如，非暂时性存储介质)包括指令，指令当由机器执行时使机器执行包括获得机器学习(ml)模型的操作，每个模型与预测半导体制造工具的操作的性能度量有关。此外，每个ml模型都利用为ml模型定义输入的特征。接收用于用半导体制造工具制造产品的工艺定义，并且使用一个或多个ml模型来估计在半导体制造工具中使用的工艺定义的性能。此外，显示工艺的性能的估计的结果呈现在显示器上。
附图说明
11.各种附图仅例示了本公开的示例性实施方案并且不能被认为是限制其范围。
12.图1示出了设计用于半导体制造的设备和工艺的复杂性。
13.图2是根据一些示例性实施方案的蚀刻室。
14.图3示出了根据一些示例性实施方案的半导体制造中的多个级别的特征建模。
15.图4a示出了根据一些示例性实施方案的多个机器学习模型之间的交互以预测工艺行为。
16.图4b是显示根据一些示例性实施方案的不同级别的建模算法示例的表。
17.图5示出了根据一些示例性实施方案的机器学习(ml)程序的训练和使用。
18.图6示出了根据一些示例性实施方案的等离子体降阶模型(rom)模拟的过程。
19.图7示出了根据一些示例性实施方案的使用模拟和实验的等离子体rom的过程。
20.图8示出了根据一些示例性实施方案的ml模型的一些输入。
21.图9和10显示了具有由ml模型使用的一些示例性特征的表。
22.图11示出了根据一些示例性实施方案的使用ml的喷头的设计。
23.图12是根据一些示例性实施方案的用于预测半导体制造设备操作的性能以执行损坏模拟的方法的流程图。
24.图13是示出机器的示例的框图，在该机器上或通过该机器可以实施或控制本文描述的一个或多个示例性工艺实施方案。
具体实施方式
25.存在多种建模技术，具体取决于应用，例如应力建模、热建模、计算流体动力学
(cfd)、等离子体建模、蒙特卡洛(monte carlo)模拟等。这些模型预测物种浓度、温度分布、等离子体密度和相关分布、流动的压力和速度场，计算相关的无量纲数等。
26.根据感兴趣的领域，空间尺度可以从纳米到米，时间间隔可以从皮秒到分钟，这意味着空间和时间尺度的范围非常广泛。使用基于物理、基于化学或基于量子的方法对这些系统进行建模可能非常昂贵，并且在工业环境中不易处理，因为需要测试多个设计条件并且需要映射操作范围。例如，单独的工艺运行有时可能需要超过一周的时间，并且在设计迭代阶段，设计工程师在完成设计之前可能限于仅使用两到三个这样的建模工作。
27.此外，基于物理的模型的保真度通常取决于准确预测或表征模型的输入参数或边界条件的能力。在许多情况下，这些参数不能直接测量，必须从实验结果中推断出来。例如，当试图对半导体晶片加工设备中常见的等离子体环境进行建模时，此类挑战尤其严峻。这种等离子体通过设计以及由于产品或副产品在工艺设备室中的积累或去除而是随时间变化的，并且将测量探针包含在等离子体环境中可能会对待检查的等离子体的特性产生不希望的影响。此外，例如，表面或界面特性(例如热接触电阻或发射率)的测量以足够的分辨率来充分告知基于物理的高保真模型会是不可能或不切实际的。
28.纯粹的数据驱动模型(例如，机器学习模型)有时被用来预测复杂系统的行为。数据驱动的模型本质上是统计的，并不明确要求了解被预测的物理系统。然而，随着训练数据量的增加，此类模型通常表现出提高预测值，因此需要生成大型实验或模拟数据集以实现有用的模型。特别是，当模型的目的是预测新工艺的行为时，创建如此大的数据集可能不切实际或不可能。
29.需要能够快速预测半导体制造工艺中不同元件的行为以便设计更好更快的半导体设备和半导体制造工艺的可靠方法和系统。
30.图1示出了设计用于半导体制造的设备和工艺的复杂性。要制造半导体，必须设计制造半导体的设备和工艺。基于产品规范102，在产品投入生产108之前设计设备和工艺。
31.设备设计104通常包括设计110半导体制造设备的许多部件，例如室、喷头、基座、电源等的几何形状。在设计部件之后，系统在操作112测试，并且测量性能。通常，存在多个周期来完成部件的设计110，直到测试结果对于制造产品的目的而言是令人满意的。
32.设计团队面临的一个挑战是，必须甚至在确定工艺之前设计设备(例如室)。因此，设计设备以满足一般需求，而不是给定产品的特定要求。在一些情况下，设计过程可以产生对设备设计104的反馈，并且基于工艺的测试来重新设计设备。然而，按照新的工艺设计重新设计设备既昂贵又耗时。
33.在工艺设计106方面，设计114配方118，其包括工艺的定义，例如工作流程、流体流动、室的温度设置、室中的压力、不同步骤的持续时间、应用的射频(rf)功率、化学品浓度、电偏置等。设计配方是一门艺术，设计专家根据过去的经验定义配方。
34.在设计配方118之后，在半导体制造设备中测试116配方118。然而，通常需要配方设计114和测试116的多个循环，以便在生产108期间找到令人满意的配方118来生成产品。
35.设备设计104和工艺设计106都是昂贵的并且往往需要很长时间，例如每次迭代需要数周、数月或数年。为了加速设计，有时会使用模拟来执行测试，而无需对半导体制造设备进行实际测试。
36.例如，为了预测衬底上的均匀性，使用基于室的元件的物理方面进行预测的基于
物理的模型对基座和喷头进行建模，以预测它们之间的相互作用。但是，物理模型需要很长时间才能执行，并且使用模拟来测试条件可能需要几个小时到几天的时间。
37.基于物理的模拟使用物理定律来预测元件的行为，并且可能包括求解系统内的守恒方程、边界或网格节点。当无法观察工艺的演变和结果(例如观察室内发生的情况)时，通常使用基于物理的模拟。
38.还有一些行为模型基于分析公式来描述制造工艺的输出。一个示例性模拟工具是来自lam research的它基于行为模型模拟的预期行为提供半导体工艺的体素模型。行为模型不直接模拟室内颗粒的行为，而是测量操作的结果(例如，衬底上的沉积厚度)。
39.目前解决均匀沉积(在毯式晶片(blanket wafers)上验证)和保形沉积(在图案化晶片上验证)的挑战的方法是高度实验性的。建模和模拟有助于当前的部件设计的工作流程和填充性能的预测，但这些通常是慢的(例如，基于第一原理/物理的计算方法取决于多物理问题和网格大小，通常每次模拟需要数天或数周)，并不总是解决所有相关的物理问题(例如，系统复杂性和现有的尖端技术并不总是具有明确定义的物理)，可能基于非物理方法，例如基于行为的模拟(例如，并非所有行为都在建模软件中捕获)，并且通常需要实验数据以进行校准。
40.用于特征性能预测的行为模型模拟已在工艺中使用。然而，这些模型受到以下事实的限制：模型是根据实验数据进行校准的，并且使用非物理参数来优化特征的几何形状。行为模型不能用于整个系统，并且行为可能因结构而异，这需要不同的校准，从而意味着需要额外的测试来捕获模型的数据。
41.可用的实验数据也有局限性。尽管来自实验的数据是在晶片上和特征内看到的最终基本事实，但这些基于数据的模型不允许将获得的学习转移到其他系统。例如，宏观参数(例如，全局压力、晶片温度、流速)不考虑捕获基本流场、电荷密度、通量传输和其他定义系统基本学习的微观参数。在某些情况下，实验数据和模拟数据之间没有可直接观察到的相关性，并且这种学习不能扩展到其他设计。
42.总而言之，目前的方法分别采用不同的方式(建模、基于行为的模拟、实验)，并且没有办法从这些单独的数据源中“学习”并将“洞察力(insight)”扩展到其他室设计。实验数据通常是唯一可靠的结果，其需要多次昂贵的设计迭代，从而导致产品释放周期更长。
43.图2显示了根据一个实施方案的蚀刻室200。在两个电极之间激发电场是在蚀刻室中实现射频(rf)气体放电的方法之一。当在电极之间施加振荡电压时，所获得的放电称为电容耦合等离子体(ccp)放电。
44.等离子体202可以利用稳定的原料气体产生，以获得各种化学反应副产物，这些副产物是通过由电子-中性物碰撞引起的各种分子的解离产生的。蚀刻的化学方面涉及中性气体分子及其解离的副产物与待蚀刻表面分子的反应，并产生挥发性分子，这些分子可以被抽走。当产生等离子体时，正离子从等离子体加速穿过将等离子体与室壁隔开的空间电荷鞘，从而以足够的能量撞击晶片表面以从晶片表面去除材料。这被称为离子轰击或离子溅射。然而，一些工业等离子体不能产生具有足够能量的离子以通过纯物理方式有效地蚀刻表面。
45.控制器216通过控制室200中的不同元件(例如rf发生器218、气体源222和气泵
220)来管理室200的操作。在一个实施方案中，碳氟化合物气体，例如cf4和c-c4f8因其各向异性和选择性蚀刻能力而用于电介质蚀刻工艺，但本文所述的原理可应用于其他产生等离子体的气体。碳氟化合物气体很容易分解成化学反应副产物，包括较小的分子和原子自由基。这些化学反应副产物会蚀刻掉介电材料，在一个实施方案中，对于低k器件，介电材料可以是sio2或sioch。
46.室200图示了具有顶部电极204和底部电极208的处理室。顶部电极204可以接地或耦合到rf发生器(未示出)，并且底部电极208通过匹配网络214耦合到rf发生器218。rf发生器218以一种、两种或三种不同的rf频率提供rf功率。根据用于特定操作的室200的期望配置，可以打开或关闭三个rf频率中的至少一个。在图2所示的实施方案中，rf发生器218提供2mhz、27mhz和60mhz频率，但其他频率也是可能的。
47.室200包括：在顶部电极204上的气体喷头，其用于以将由气体源222提供的气体输入到室200中；以及穿孔的限制环212，其使得气体能通过气体泵220抽出室200。在一些示例性实施方案中，气体泵220是涡轮分子泵，但也可以使用其他类型的气泵。
48.当衬底206存在于室200中时，硅聚焦环210位于衬底206旁边，从而在等离子体202的底表面处存在均匀的rf场，以便在衬底206的表面上进行均匀的蚀刻。图2的实施方案示出了三极管反应器配置，其中顶部电极204被对称的rf接地电极224包围。绝缘体226是将接地电极224与顶部电极204隔离的电介质。
49.可以为晶片制造工艺中的特定目的选择每个频率。在图2的示例中，以2mhz、27mhz和60mhz提供rf功率，2mhz rf功率提供离子能量控制，并且27mhz和60mhz功率提供对等离子体密度和化学物质的解离模式的控制。这种配置(其中可以打开或关闭每个rf功率)使得能实现在衬底或晶片上使用超低离子能量的某些工艺以及其中必须使用低离子能量(低于200或200ev)的某些工艺(例如，用于低k材料的软蚀刻)。
50.在另一实施方案中，在顶部电极204上使用60mhz rf功率以获得超低能量和非常高的密度。当衬底206不在室200中时，这种配置使得能用高密度等离子体清洁室，同时最小化对静电卡盘(esc)表面的溅射。当衬底206不存在时，esc表面暴露在外，并且应避免表面上的任何离子能量，这就是为什么底部2mhz和27mhz电源在清洁过程中可能会关断的原因。
51.图3示出了根据一些示例性实施方案的半导体制造中的多个级别的特征建模。本文提出的实施方案描述了如何构建预测半导体制造设备的行为和性能的工具。
52.这种预测物理实体的行为的工具被称为数字双胞胎(digital twin)，在本文中也称为系统模型。数字双胞胎是有生命或无生命物理实体的数字复制品，是指可用于各种目的的潜在和实际的物理资产(物理双胞胎)、工艺、人员、地点、系统和设备的数字复制品。数字双胞胎强调物理模型与相应的虚拟模型或虚拟对应物之间的联系，这种联系可以通过使用传感器生成实时数据来加强。
53.数字双胞胎从多个源学习和更新自身，以表示其近乎实时的状态、工作条件或位置。该学习系统从自身(例如，使用传达其操作条件的各个方面的传感器数据)、人类专家(例如，设计工程师)、其他机器以及环境(该学习系统是其一部分)中学习。数字双胞胎还将过去机器使用的历史数据整合以并入到其数字模型中。
54.在一些示例性实施方案中，用于半导体制造设备的数字双胞胎利用从基于第一原理物理的模拟、近似经验方法(降阶模型、近似模型等)、实验数据和其他数据源(例如，室传
感器)中生成的各种不连贯的数据集。此外，数字双胞胎采用机器学习技术，如统计建模、深度神经网络、循环神经网络、卷积神经网络，以生成具有物理约束的数据驱动的替代混合模型，该模型具有预测性、高保真度和准确度。
55.例如，可以应用数字双胞胎来分析蚀刻室设计对晶片蚀刻均匀性的影响。例如，室流动模拟提供有关流体流场、压力场、浓度梯度等的信息。等离子体模拟提供带电物质密度和到达晶片的通量，以及感兴趣的工艺窗口中的等离子体参数。
56.实验数据提供可与上游模拟数据和输入相关联的部分传感器信息，并包含输出变量，即毯式晶片的晶片上均匀性和/或整个晶片的特征轮廓特性(例如深度、关键尺寸(cd)、倾斜度、选择性、掩模损失)。单独地，高保真模拟预计不会与晶片上的实验性能度量完全匹配，并且单独的实验数据不会提供室的物理特性，例如流场、等离子体特性等。混合模型解决方案有助于根据这些分离但相关的数据集提供洞察力，可以帮助产品设计、工程设计和研发。
57.系统混合模型可以包括覆盖设备不同方面的单独子模型，并且这些子模型可以相互交互，如下面参考图4a所述。
58.参考图3，在一些示例性实施方案中，子模型包括室模型302、等离子体模型304、鞘模型306、晶片特征模型308、原子模型310和电子状态模型312。每个模型使用各自的特征和训练数据来预测各自的行为。下面参考图5提供有关构建模型的更多详细信息，下面参考图9-10提供有关各个特征的更多详细信息。此外，每个子模型也可以被划分为单独的模型。
59.室模型302用于预测与室相关的现象，例如室的几何形状、流速、热信息、结构信息和电磁学。等离子体模型304用于预测等离子体性能，例如电磁场、等离子体化学和反应数据。
60.鞘模型306用于预测鞘数据，例如rf电压、电磁场、反应核对横截面和反应路径。晶片特征模型308用于预测晶片特征，包括布局(例如，设计布局、掩模层)和化学性质(例如，晶片上通量、材料特性)。
61.原子模型310预测原子水平的现象，例如原子动力学，其包括晶格结构、物种分配和扩散系数。电子状态模型312用于预测用于能量计算的状态，例如能量状态和集群配置。
62.所呈现的实施方案提供了确定不同模型之间的本构关系的优势，这些模型已针对给定系统或工艺的特定问题单独生成。这些单独的数据集结合起来以构建可用于关于半导体制造的设计和工艺优化的系统模型。
63.这些模型包含不同的空间尺度(例如，以米到纳米的数量级)和时间尺度(例如，从脉冲系统等瞬态过程到平衡下的稳态条件)。该系统模型导致节省成本(例如，使用化学品、减少符号迭代)以及研发时间节省，因为系统的设计和测试执行起来比以前的方法快得多(例如，减少新的反应器和工艺设计时间，从18-24个月减少到不到1年)。
64.图4a示出了根据一些示例性实施方案的多个机器学习模型之间的交互以预测工艺行为。系统模型402包括在不同预测级别的多个ml模型ml1-ml13。每个级别都包含一个或多个ml模型，这些模型可以相互交互并与其他层的ml模型交互。在一些示例性实施方案中，模型包括行为模型和基于物理的模型。
65.模型包括输入404(例如，压力、温度、流量)并生成与行为相关的输出。系统模型402的输出是系统行为408。输入404还可以包括从传感器获得的计量406数据。此外，输入
404还可以包括在应用被建模的工艺之前来自输入衬底的计量406数据。计量406提供实验的测量结果并且包括诸如层厚度、电阻率、膜特性数据等项目。图像分析可以用于检查实验结果，但是也可以使用其他类型的计量406。
66.计量406包括一种或多种成像方法(例如，扫描电子显微镜(sem))、透射电子显微镜(tem))、典型厚度测量(例如，x射线荧光(xrf)、椭偏仪)、薄层电阻、表面电阻率、应力测量和其他用于确定层厚度、成分、晶粒取向等的分析方法。这些其他分析方法包括x射线衍射(xrd)、x射线反射率(xrr)、x射线光电子能谱(xps)、旋进电子衍射(ped)、电子能量损失能谱(eels)、能量色散x射线能谱(eds)、二次离子质谱(sims)等中的一种或多种。
67.在一些实施方案中，原始计量数据406可以由每个计量源的专用ml算法来调节，或者在一些实施方案中，可以由从多个计量源获取输入的ml算法来调节。半导体行业的计量来源可以产生大量数据，从任何单独的来源中区分有用的数据通常是一个难题。如果需要综合考虑来自多个来源的数据，难度会成指数放大。分配专用ml算法来调节输入的计量数据允许构建更有效的系统模型402。每个计量调节算法的输出是rom，并且系统模型中的每个部件ml只能选择与其自己的操作相关的输出参数。
68.在一些示例性实施方案中，计量包括时间序列数据，其包括随时间推移针对给定参数获得的传感器测量值，例如在制造工艺期间室中的压力如何随时间推移而演变。
69.输入404可以包括对压力、流速、功率、温度等的控制，并且所有这些输入404影响室模型302的行为。在室模型302级别，存在流场、离子密度、中子密度等。然后存在等离子体模型304级别，包括电场、电流密度、化学物质等项目。如果没有等离子体，则在室内存在不同物种。此外，如果偏置被供电，当存在等离子体沉积时，就会存在鞘，然后使用控制来修改再分配功能。
70.此外，还有晶片特征模型308级别，其中晶片特征变得可观察到。通常，模型是为单个级别提供的，尽管某些模型可能包括多于一个的级别。每个模型都考虑了特定的特征以获得各自的预测。然后，模型的输出可以用于在相同级别或其他级别操作的其他模型。
71.在室设计过程中，可以探索不同的选项(例如，改变喷头孔分布、晶片和喷头之间的间隙)，目标是在晶片上实现某些度量，例如具有均匀的轮廓。设计者利用室的配置(例如室旋钮、几何形状)和配方进行研发，并且系统模型402对系统行为408进行预测，其中系统行为408包括关于晶片性能的度量。系统模型402不仅可以识别晶片的性能，还可以识别室中正在发生的事情的信息(例如，等离子体、温度过高或过低)。
72.如果性能不令人满意，设计人员可以更改某些参数并重复该过程以查看效果，例如一次更改一个或多个变量(例如压力、化学性质、时间)。但是使用ml模型，这个过程很快(例如，几分钟或几小时)，而不必等待数周或数月才能得到结果。系统模型402能够在对硬件或工艺配方进行改变时评估性能影响。
73.组合模型的一个优点是找到针对给定系统/子系统/工艺上的特定问题单独生成的多个模型之间的相关性，并组合这些单独的数据集以构建可以使用的系统模型402以对感兴趣的特征进行设计和工艺优化。
74.使用这些技术，可以从不同的空间尺度(从室的约米的数量级到特征的约纳米的数量级)和时间尺度(诸如脉冲系统之类的瞬态过程到平衡下的稳态条件)建立模型。这可以根据设计条件更好地理解对最终期望状态(例如，工艺填充)的影响。不可能在复杂的沉
积室上准确地做到这一点，因为从室级别模拟到晶片表面动力学的路径不是直接的。从工艺的角度来看，使用系统模型402导致节省晶片和化学品，并最大限度地减少昂贵的设计迭代。
75.图4b是显示根据一些示例性实施方案的不同级别的建模算法的示例的表412。不同的领域包括蚀刻/原子层蚀刻、电填充、等离子体增强(pe)化学气相沉积(cvd)和原子层沉积(ald)、清洁和剥离、物理气相沉积和化学/机械抛光。一些实施方案是参照蚀刻来描述的，但是相同的原理可以应用于其他领域。
76.图5示出了根据一些示例性实施方案的机器学习程序的训练和使用。在一些示例性实施方案中，机器学习程序(mlp)(也称为机器学习算法或工具)用于执行与搜索相关联的操作，例如工作搜索。
77.机器学习(ml)是一种应用程序，其通过基于数据分析中发现的模式进行推断，为计算机系统提供执行任务的能力，而无需明确编程。机器学习探索算法的研究和构建，这里也称为工具，其可以从现有数据中学习并对新数据进行预测。此类机器学习算法通过从示例性训练数据506构建ml模型510来进行操作，以便做出表示为输出或评估514的数据驱动的预测或决策。尽管针对一些机器学习工具呈现了示例性实施方案，但本文提出的原理可以应用于其他机器学习工具。
78.数据表示是指组织数据以存储在计算机系统上的方法，其包括所识别的特征及其值的结构。在ml中，通常用二维或更多维的向量或矩阵来表示数据。在处理大量数据和许多特征时，数据表示很重要，以便训练能够识别数据中的相关性。
79.ml有两种常见模式：有监督ml和无监督ml。有监督ml使用先验知识(例如，将输入与输出或结果相关联的示例)来学习输入和输出之间的关系。有监督ml的目标是学习在给定一些训练数据的情况下最接近训练输入和输出之间的关系的函数，以便ml模型可以在给定输入时实现相同的关系以生成相应的输出。无监督ml是使用既未分类也未标记的信息训练ml算法，并允许算法在没有指导的情况下对这些信息采取行动。无监督机器学习在探索性分析中有用，因为它可以自动识别数据中的结构。
80.有监督ml的常见任务是分类问题和回归问题。分类问题，也称为归类问题，旨在将项目分类为几个类别值之一(例如，这个对象是苹果还是橙子？)。回归算法旨在(例如，通过为某些输入的值提供分数来)量化某些项目。常用的监督机器学习算法的一些示例是逻辑回归(lr)、朴素贝叶斯(naive-bayes)、随机森林(rf)、神经网络(nn)、深度神经网络(dnn)、矩阵分解和支持向量机(svm)。
81.无监督ml的一些常见任务包括聚类、表示学习和密度估计。常用的无监督ml算法的一些示例是k-means聚类、主成分分析和自动编码器。
82.训练数据506包括特征502的值的示例。在一些示例性实施方案中，训练数据506包括带有特征502的值的示例的标记数据和指示结果的标签，例如等离子体特性、气体密度、气体流量、蚀刻速率、蚀刻均匀性等。
83.在一些示例性实施方案中，训练数据506是通过对半导体制造设备进行实验获得的，并且从实验得到的数据用于ml训练508。此外，训练数据506也可以通过执行模拟(例如，基于物理的模拟、基于行为的模拟)获得，并且来自模拟的结果(例如，晶片上的蚀刻均匀性、晶片上的均匀沉积)用于ml训练508。
84.机器学习算法利用训练数据506来找到影响结果的识别特征502之间的相关性。特征502是正在观察的现象的个体可测量属性。特征的概念与例如线性回归之类的统计技术中使用的解释变量的概念有关。选择信息丰富的、可区分的和独立的特征对于ml在模式识别、分类和回归中的有效操作很重要。特征可能有不同的类型，例如数字特征、字符串和图形。下面参考图9和10提供关于ml模型510使用的特征502的更多细节。
85.在训练508期间，ml算法基于识别的特征502和为训练508定义的配置参数504分析训练数据506。训练508的结果是能够获取输入以产生评估的ml模型510。
86.在一些实施方案中，示例性的ml模型提供在半导体制造工艺的不同级别的估计，如上文参考图3和图4所示。
87.训练ml算法涉及分析大量数据(例如，从几gb到1tb或更多)以找到数据相关性。ml算法利用训练数据506来发现识别的特征502之间的影响结果或评估514的相关性。在一些示例性实施方案中，训练数据506包括标记数据，其是一个或多个识别特征502的已知数据和一个或更多结果。
88.ml算法通常会探索许多可能的函数和参数，然后才能找到ml算法识别为数据中最佳相关性的内容；因此，训练可能需要大量的计算资源和时间。
89.许多ml算法包括配置参数504，ml算法越复杂，用户可用的参数就越多。配置参数504定义用于搜索最佳ml模型的ml算法的变量。训练参数包括模型参数和超参数。模型参数是从训练数据中学习的，而超参数不是从训练数据中学习的，而是提供给ml算法的。
90.模型参数的一些示例包括最大模型大小、训练数据的最大传递次数、数据混洗类型、回归系数、决策树拆分位置等。超参数可以包括神经网络中隐藏层的数量、每层中隐藏节点的数量、学习率(可能对学习率有各种适应方案)、正则化参数、非线性激活函数的类型等。找到正确(或最佳)的超参数集可能是一项非常耗时的任务，其需要大量的计算机资源。
91.当ml模型510用于执行评估时，输入512被提供给ml模型510，并且ml模型510生成评估514作为输出。例如，当分析喷头的气流分布时，输出可以指示整个晶片表面的气体密度的时间序列。
92.例如，用于在晶片上填充深沟槽时检测完全覆盖的ml模型510可以提供指示沟槽上覆盖水平的估计，其中100％表示覆盖率，小于100％表示在填充中存在空隙。
93.特征提取是一种减少描述大数据集所需资源的过程。在对复杂数据进行分析时，主要问题之一是源于所涉及的变量数量。具有大量变量的分析通常需要大量的内存和计算能力，并且可能导致分类算法对训练样本过拟合，而对新样本的泛化能力较差。特征提取包括构建变量组合以解决这些大型数据集问题，同时仍以足够的准确性描述数据以达到预期目的。
94.在一些示例性实施方案中，特征提取从一组初始测量数据开始，并构建旨在提供信息且非冗余的派生值(特征)，从而促进后续的学习和泛化步骤。此外，特征提取与降维有关，例如将大向量(有时具有非常稀疏的数据)减少为捕获相同或相似信息量的较小向量。
95.在一些示例性实施方案中，特征提取包括获得特征的值(如图9和10中所述)，并在需要时将这些值转换为向量或矩阵。在一些情况下，向量或矩阵被处理以减少它们的维度，以便以更紧凑的方式向ml模型510提供信息。此外，可以组合来自多个特征的数据，例如通过将来自多个输入的向量连接到单个向量来实现。
96.图6示出了根据一些示例性实施方案的等离子体降阶模型(rom)模拟的过程。尽管参考等离子体特性描述了示例性实施方案，但是相同的原理可以应用于其他领域，例如用于热处理。在一些示例性实施方案中，目标是使用基于物理的模拟、基于行为的模拟、晶片数据日志(wdl)(其包含从传感器生成的时间序列信息)和ml模型来导出用于半导体制造室的降阶模型(rom)，在本文中也称为数字双胞胎。
97.rom是复杂模型的简化，它捕获系统的行为，因此工程师可以使用最少的计算资源快速研究系统的主要影响。rom使工程师能够实现更短的设计周期，从而生产出更高质量的产品。
98.室旋钮602是用作模拟604的输入的可配置参数。室旋钮602包括用于制造工艺的任何可配置参数，例如压力、流速、变压器耦合等离子体(tcp)、偏置、变压器耦合电容调谐(tcct)、化学信息等。
99.为模拟604创建实验设计(doe)矩阵。doe是应用统计的分支，其处理计划、执行、分析和解释受控测试以评估控制参数或参数组的值的因素。doe是强大的数据收集和分析工具，其可用于各种实验情况。
100.在一些示例性实施方案中，模拟604是基于物理的模拟，但是其他实施方案可以利用其他类型的模拟，例如基于行为的模拟。通常，执行多于一个的模拟，结果是输出606，其包括物理量数据以及在模拟604中获得的导出值。例如，模拟可能生成预测，预测包括流场、离子密度、能量分布、物种分布等。
101.模拟604的结果用作ml训练508的训练数据以创建rom 608。rom 608接收室旋钮602的配置作为输入，以生成对特定设计和工艺的性能的预测。
102.例如，正在考虑两种设计用于喷头。例如，可以通过相应的计算机辅助设计(cad)几何结构(例如，喷头中孔的数量和分布)和气流来定义每个设计。将两种设计输入到rom 608并且获得结果。然后比较考虑改进喷头的性能参数，以查看哪种喷头设计更好。
103.由于使用rom 608比较性能不需要在室上进行实际实验，因此可以非常快速地获得结果(例如，几分钟或几小时)，而不必等待数天或数周才能获得每个设计的结果。由于测试设计的速度要快得多，因此设计工程师能够通过一次微调一个或多个参数来测试多个设计，直到找到令人满意的设计。
104.此外，当使用相同的室旋钮602配置时，通过将模拟604生成的结果与rom 608生成的预测610进行比较，可以验证rom 608(例如，可以检查其制定预测的准确性)。这样，rom 608可以连续增强，直到预测610与模拟604的结果基本相似。注意，一般来说，rom 608比模拟604(例如，基于物理的模拟)快得多，这需要求解具有许多相关变量的复杂数学方程。因此，拥有准确的rom 608可大大加快研发过程。
105.图7示出了根据一些示例性实施方案的使用模拟和实验的等离子体rom的过程。尽管参考等离子体特性描述了示例性实施方案，但是相同的原理可以应用于其他领域，例如用于热处理。可以通过使用使用半导体制造工具执行的实际实验702来增强上面参考图6描述的方法。当然，使用实际实验比模拟604更昂贵，并且需要更多时间来设置和执行。实验数据的使用提高了预测结果的质量。
106.从实验702得到的实验输出704也可以用作ml训练508的附加数据以获得rom 608。此外，在实验702期间获得的来自传感器706的数据可以用于训练和作为rom 608的输入。
rom 608然后基于用作输入的室旋钮602做出预测710。因此，rom 608受益于从实验702和模拟604导出的训练数据506。此外，来自实验702的数据通过预测710的输出被验证807。
107.与模拟604一样，来自实验的结果可用于验证rom 608的预测710。基于验证，rom 608可被微调，例如通过改变在ml训练508期间使用的用于配置的超参数来进行。
108.例如，设计对晶片上的膜不均匀性的影响的研究包括模拟数据，其包含流体流场、压力场、浓度梯度等信息。实验数据包含可以与上游模拟数据和输入相关的部分传感器信息，但主要包含输出变量，即300mm晶片上的膜不均匀性或台阶覆盖率变化。
109.在一些实现方案中，可以使用基于工艺理解的行为模型。可以提供其他数据输入，例如室传感器信息和工艺配方条件，以进一步增强模型。生成的模型是为不同目的计算的现有数据集的一部分，并且该模型能够基于新的实验和模拟数据进行在线学习。高保真模拟本身无法匹配晶片上的实验性能，例如非均匀匹配；就其本身而言，实验数据无法理解系统的物理特性，例如流场、通量等。rom 608的使用有助于从这些分离的数据集中学习，并有助于未来系统的设计工程。
110.此外，其他应用包括在高温喷头/基座应用中看到的具有共轭传热的热流体系统的设计优化，湿处理室、等离子体驱动处理系统或其他原子层沉积应用中的质量传输和偏置优化。
111.图8示出了根据一些示例性实施方案的ml模型的一些输入。几个输入被用作用于系统建模的算法802的数据。输入包括从配方信息和晶片上结果获得的实验数据804、从硬件测试产生的实验数据806、在半导体制造操作期间获得的室传感器数据808、室尺度模拟810、特征尺度模拟812、原子/量子模拟814，特征尺度的基于行为的模型816，以及降阶模型608。
112.结果是受物理约束的ml模型818，它可以预测设备和工艺的性能。受物理约束的ml模型818允许设计人员设置对室的控制以获得所需的结果，这意味着更好地预测晶片特性并缩短研发时间。
113.图9和图10显示了表，其具有由ml模型使用的一些示例特征。第一列表示尺度(例如，上面参考图3描述的层次结构中的级别)，第二列表示正在观察的现象，第三列表示输入，第四列表示输出。每行代表一个相应的ml模型。
114.第一个模型用于室的几何结构，输入包括室的设计尺寸(例如室直径、晶片直径)。输出包括室的特定几何设计，其可以是cad文件或其他一些几何描述的形式，例如几何形状的网格。
115.下一个模型是用于室中的流动。输入至少包括流速、室压力、化学成分和流动瞬态。输出至少包括压力和速度场、整个室中的物质浓度和扩散通量。
116.下一个模型用于室中的热研究，输入至少包括热通量、传热系数、热导率、热容量和接触面积。输出是整个室的温度信息、热通量(例如，辐射、传导和对流)和热损失。
117.下一个模型用于室的结构分析，输入至少包括结构载荷、反应、公差、温度、梯度和压力。输出包括结构应力、应变、挠度、蠕变速率、疲劳和弹性/塑性。
118.室的最终模型用于室内的电磁估计，输入至少包括电压、电流、频率、电感、电容和阻抗。输出包括电场、磁场b场、感应电流密度和功率密度。
119.等离子体模型用于分析等离子体行为，输入至少包括电场、磁场b场、电流密度、化
学成分、反应截面、反应路径、材料特性(例如，电导率、介电常数、发射系数)、rf频率、rf电压和rf偏置。输出包括带电物质密度和通量、双极场、电子温度、电子能量分布函数(eedf)、离子能量角分布(iead)、晶片上通量、电荷密度(表面和体积)源和物种的损耗项。
120.如上所述，一个模型的一些输出可以用作其他模型的输入。例如，室电磁模型的输出可用作等离子体行为模型的输入(例如，电场、磁场b场、电流密度)。
121.图10中的第一个模型用于分析鞘的性能；输入至少包括rf电压、电场、源项、反应碰撞截面和反应路径。输出包括表面上的通量、离子能量和角度分布、传导和位移电流、离子渡越时间和电荷密度。
122.下一个模型用于晶片特征的布局，输入至少包括应用程序的设计布局、掩模层和初始步骤。输出包括特征的几何描述，例如cad文件或网格配置。
123.下一个模型用于特征的化学性质，输入至少包括晶片上通量、材料特性、反应路径、反应速率、离子角产率、蚀刻阈值、粘附系数和调节系数。输出包括几何演化和前沿跟踪、特征内的物种分布、特征内的离子能量和角度分布。
124.下一个模型用于原子级别的动力学，输入包括晶格结构、材料id和原子间作用势。输出包括晶格布局、物种分布、径向分布函数、扩散系数和反应动力学。
125.表中的最后一个模型是针对电子态的，它预测了能量计算的静力学。输入至少包括材料/物种id、集群配置和电子结构信息。输出包括能量状态、集群配置、反应能量学、反应路径、键角和键长。
126.图11示出了根据一些示例性实施方案的使用ml的喷头1102的设计。例如，喷头1102用于低氟钨反应堆，但也可用于其他类型的反应堆。
127.在一个示例中，喷头的设计不符合关于填充空隙、wf6气体消耗和rs nu的要求。低气体消耗降低了每个晶片的耗材成本(coc)。此外，在430℃等高温下，自动间隙系统(ags)无法准确设置底基座与喷头之间的间隙。此外，使用ags晶片无法准确设置基座到喷头的平面度，因为它不在基座的外边缘测量。这会导致工具与工具之间的变化和工艺影响。需要改进喷头的设计。
128.喷头1102呈现热不稳定性。设计团队尝试手动更改喷头1102变量，但过程缓慢且繁琐，需要大量劳动力和较长的研发时间。doe用于从需要长时间计算的模拟中学习。设计过程随着模拟的使用而改进，但仍然需要很长时间，实际实验的结果与模拟结果实际上并不匹配。这就是为什么喷头的ml模型可以加快设计过程的原因。此外，由于可以在附加数据可用时改进ml模型，因此ml模型的准确性随着时间的推移而提高，并且可以改进和加速喷头1102的设计。
129.喷头ml的特征被定义为覆盖喷头1102的多个刻面(图中的箭头示出了一些示例区域)，其包括以下一项或多项：
[0130]-板之间的接触传导率；
[0131]-歧管和背板之间的接触传导率、间隙传导率和辐射；
[0132]-边缘环1110和歧管之间的接触传导率、间隙传导率和辐射；
[0133]-基座环和喷头边缘之间的间隙传导率和辐射；
[0134]-喷头背板和歧管之间的接触传导率和间隙传导率；
[0135]-接触传导率、间隙传导率和基座范围和基座之间的辐射；
[0136]-晶片和喷头之间以及晶片和基座之间的辐射和间隙传导率；
[0137]-喷头空隙中的间隙传导率；
[0138]-基座和基座环外表面对周围区域的辐射；
[0139]-喷头表面和边缘环之间的间隙传导率和辐射；
[0140]-边缘环外表面对周围区域的辐射；和
[0141]-歧管外表面对周围区域的辐射。
[0142]
此外，在喷头内定义区域，例如所示区域z1-z4，并且与每个区域相关的参数用作特征，例如区域上的温度或传导率。
[0143]
以不同参数的变化作为输入进行了多项实验。输入可以包括喷头中孔的数量、孔的分布、使用的不同类型的气体、气体的压力、输送周期等。结果与输入一起用作喷头模型的训练数据。结果可能包括晶片整个表面的厚度。
[0144]
然后，喷头模型用于根据各种输入来估计喷头性能的相应输出。输出可能包括沿晶片测量的均匀性，以及从室中的传感器获得的计量数据。
[0145]
这样，喷头设计团队可以快速执行不同喷头配置的建模，以确定哪种配置最适合执行给定的产品要求。
[0146]
在喷头模型的帮助下设计的所得喷头1102具有减小的喷头内腔体积、减小的基座到喷头的体积、基座和喷头之间的较小间隙以及不同的面板孔图案。这样导致减少的气体消耗，同时满足所需的性能参数，例如均匀性、温度要求等。
[0147]
在一些示例性实施方案中，使用安装在喷头上的朝向大气侧的激光器获得喷头间隙和对晶片的狭隘性的测量结果。激光穿过真空密封的蓝宝石窗口。此外，激光从基座表面反射，并且定时用于测量距离。
[0148]
图12是根据一些示例性实施方案的用于预测半导体制造设备操作的性能的方法1200的流程图。尽管顺序地呈现和描述了该流程图中的各种操作，但普通技术人员应理解，一些或所有操作可以以不同的顺序执行、组合或省略、或并行执行。
[0149]
在操作1202，获得多个机器学习(ml)模型，每个模型与预测半导体制造工具的操作的性能度量有关，并且每个ml模型利用定义用于ml模型的输入的多个特征。
[0150]
方法1200从操作1202移动到操作1204，用于由一个或多个处理器接收用于利用半导体制造工具制造产品的工艺定义。
[0151]
此外，方法1200从操作1204移动到操作1206，其中一个或多个处理器利用来自多个ml模型的一个或多个来估计在半导体制造工具中使用的工艺定义的性能。
[0152]
方法1200从操作1206移动到操作1208，在该操作1208中，显示工艺性能的估计的结果被呈现在显示器上。
[0153]
在一个示例中，创建多个机器学习(ml)模型中的一个包括获取ml模型的训练数据，该训练数据提供ml模型的特征的值；训练ml算法以获得ml模型。
[0154]
在一个示例中，获得ml模型的训练数据包括在半导体制造工具上进行实验，测量用于实验的特征的值，以及将测量值用于训练数据。
[0155]
在一个示例中，获得ml模型的训练数据包括通过为半导体制造工具的操作执行基于物理的模拟来获得训练数据。
[0156]
在一个示例中，多个ml模型包括室、等离子体、鞘、晶片特征、原子和电子状态模
型。
[0157]
在一个示例中，室ml模型用于估计半导体制造工具中的室的几何形状，其中输入包括设计尺寸，输出包括室几何结构的定义。
[0158]
在一个示例中，等离子体ml模型用于分析等离子体行为，其输入包括电场、磁场b场、电流密度、化学性质、反应截面、反应路径、材料特性、rf频率、rf电压和rf偏置中的一者或多者，其中等离子体ml模型的输出包括带电物质密度和通量、双极场、电子温度、电子能量分布函数(eedf)、离子能量角分布(iead)、晶片上通量，电荷密度(表面和体积)源以及物种的损失项中的一者或多者。
[0159]
在一个示例中，鞘ml模型用于分析鞘的性能，其输入包括射频(rf)电压、电场、源项、反应碰撞截面和反应路径中的一者或多者，其中鞘ml模型的输出参数包括晶片表面上的通量、离子能量和角分布、传导和位移电流、离子渡越时间和电荷密度中的一者或多者。
[0160]
在一个示例中，晶片特征ml模型用于分析晶片特征的布局，其输入包括设计布局、掩模层和初始步骤中的一者或多者，其中晶片特征ml模型的输出包括晶片特征的几何描述。
[0161]
在一个示例中，晶片化学ml模型用于分析晶片特征的化学性质，其输入包括晶片上通量、材料特性、反应路径、反应速率、离子角产率、蚀刻阈值、粘附系数和调节系数中的一者或多者，其中晶片化学ml模型的输出包括几何演化和前沿跟踪、晶片特征内的物种分布以及晶片特征内的离子能量和角度的分布中的一者或多者。
[0162]
图13是图示机器1300的示例的框图，在该机器1300上或通过该机器1300可以实施或控制本文描述的一个或多个示例性工艺实施方案。在替代性实施方案中，机器1300可作为独立设备操作或可连接(例如联网)至其他机器。在联网的部署中，机器1300可以在服务器-客户端网络环境中以服务器机器、客户端机器或服务器机器和客户端机器两者的能力操作。在一示例中，机器1300可充当点对点(p2p)(或其他分布式)网络环境中的同位机。另外，虽然仅说明了单一机器1300，但术语“机器”也应视为包括任何机器的集合，其个别地或共同地执行一组(或多组)指令以执行本文所讨论的方法中的任一者或多者，诸如经由云计算、软件即服务(saas)、或其他计算机集群配置进行。
[0163]
如本文所述的示例可包括逻辑、多个组件或机构，或可通过逻辑、多个组件或机构操作。电路系统是在有形实体中实施的电路的集合，其包括硬件(例如简单的电路、栅极、逻辑)。电路系统资格可随时间推移以及潜在的硬件可变性而具有灵活性。电路系统包括可在操作时单独或组合地执行指定操作的构件。在一示例中，电路系统的硬件可不变地设计成执行特定的操作(例如，硬连线)。在一示例中，电路系统的硬件可包括可变地连接的物理组件(例如，执行单元、晶体管、简单电路)，其包括经物理性(例如，磁性、电性、通过无变化群集颗粒的可移动放置)修改的计算机可读介质，以将特定操作的指令编码。在连接物理组件方面，硬件组件的潜在的电性质被改变(例如，由绝缘体改变成导体、反之亦然)。指令使嵌入式硬件(例如，执行单元或加载机构)能够经由可变连接来建立硬件中的电路系统的构件，以在操作时执行部分特定操作。因此，当设备正操作时，计算机可读介质通信耦合至电路系统的其他组件。在一示例中，物理组件中的任何组件可用于超过一个电路系统的超过一个的构件中。例如，在操作状态下，执行单元可在一时间点用于第一电路系统的第一电路中，并在不同时间由第一电路系统中的第二电路、或由第二电路系统中的第三电路重复使
用。
[0164]
机器(例如计算机系统)1300可包括硬件处理器1302(例如中央处理单元(cpu)、硬件处理器芯、或其任何组合)、图形处理单元(gpu)1303、主存储器1304、及静态存储器1306、这些中的一些或全部可经由互连链路(例如总线)1308彼此通信。机器1300还可包括显示设备1310、字母数字输入设备1312(例如键盘)、以及用户接口(ui)导航设备1314(例如，鼠标)。在一示例中，显示设备1310、字母数字输入设备1312以及ui导航设备1314可为触摸屏显示器。机器1300可另外包括大容量储存设备(例如，驱动单元)1316、信号产生设备1318(例如，扬声器)、网络接口设备1320、以及一或多个传感器1321(诸如全球定位系统(gps)传感器、罗盘、加速度计、或另一传感器)。机器1300可包括输出控制器1328，诸如串联(例如，通用序列总线(usb))、并联、或其他有线或无线(例如，红外线(ir)、近场通讯(nfc)等)连接，以与一或多个外围设备(例如，打印机、卡片阅读机)通信或控制该一或多个外围设备。
[0165]
大容量储存设备1316可以包括机器可读介质1322，其上储存一或多组数据结构或指令1324(例如软件)，该数据结构或指令1324由本文所述的技术或功能中的任一者或多者体现或利用。指令1324在其由机器1300执行期间，也可完全或至少部分地常驻在主存储器1304内、静态存储器1306内、硬件处理器1302内、或gpu 1303内。在一示例中，硬件处理器1302、gpu 1303、主存储器1304、静态存储器1306、或大容量储存设备1316中的一者或任何组合可构成机器可读介质1322。
[0166]
虽然机器可读介质1322被作为单一介质说明，但术语“机器可读介质”可包括被构造成储存一或多个指令1324的单一介质或多个介质(例如，集中式或分布式数据库、和/或相关联的高速缓存及服务器)。
[0167]
术语“机器可读介质”可包括任何介质，其可储存、编码、或承载供机器1300执行的指令1324，并造成机器1300执行本公开内容的技术的任一者或多者，或其可储存、编码、或承载由此指令1324所使用或与此指令1324相关联的数据结构。非限制性机器可读介质的示例可包括固态存储器、及光学与磁性介质。在一示例中，群集的机器可读介质包括具有多个颗粒的机器可读介质1322，该颗粒具有不变(例如，静止)质量。因此，群集的机器可读介质不是瞬时传播信号。群集的机器可读介质的特定示例可包括非挥发性存储器，诸如半导体存储器设备(例如电可编程序只读存储器(eprom)、电可擦写可编程只读存储器(eeprom))及闪存设备；磁盘，诸如内部硬盘及可移动磁盘；磁光盘；以及cd-rom和dvd-rom盘。
[0168]
指令1324还可经由网络接口设备1320使用传输介质在通信网络1326上传输或接收。
[0169]
在整个本说明书中，多个实例可以实现描述为单个实例的组件、操作或结构。尽管一种或多种方法的单个的操作被图示和描述为单独的操作，但是可以同时执行一个或多个单个的操作，并且没有什么要求以所示的顺序执行这些操作。在示例性配置中呈现为单独组件的结构和功能可以实现为组合结构或组件。类似地，作为单个组件呈现的结构和功能可以实现为单独的组件。这些和其他变化、修改、添加和改进落入本文的主题的范围内。
[0170]
本文所说明的实施方案被充分详细地描述，以使本领域技术人员能够实践本文所公开的教导。可利用其他实施方案并由其推导，使得可在不脱离本公开内容的范围的情况下作出结构和逻辑替代及改变。因此，该详细描述不应视为具有限制意义，且各种实施方案的范围仅由所附权利要求、随同这些权利要求被赋予的等同方案的完整范围所界定。
[0171]
如本文所使用的，术语“或”可以被解释为包容性或排他性意义。此外，这里描述的资源、操作或结构的多个实例可以作为单个实例提供。此外，各种资源、操作、模块、引擎和数据存储之间的边界在某种程度上是任意的，并且在特定说明性配置的上下文中说明了特定操作。其他功能分配可以被设想并且可以落入本公开的各种实施方案的范围内。通常，在示例性配置中呈现为分开的资源的结构和功能可以实现为组合结构或资源。类似地，呈现为单一资源的结构和功能可以实现为分开的资源。这些和其他变化、修改、添加和改进落入如所附权利要求所表示的本公开的实施方案的范围内。因此，说明书和附图被认为是说明性的而不是限制性的。