具体实施方式

以下描述提供了本申请的特定应用场景和要求，目的是使本领域技术人员能够制造和使用本申请中的内容。对于本领域技术人员来说，对所公开的实施例的各种局部修改是显而易见的，并且在不脱离本公开的精神和范围的情况下，可以将这里定义的一般原理应用于其他实施例和应用。因此，本公开不限于所示的实施例，而是与权利要求一致的最宽范围。

正如前文所述，随着半导体器件尺寸越来越小，使得基于模型的光学邻近校正复杂度越来越高，所花费的时间呈指数级别增长。因此，单纯地采用基于模型的光学邻近校正已经无法满足实际需求。

在此基础上，本申请的实施例提供一种光学邻近校正方法。

图1为根据本申请的实施例的光学邻近校正方法的流程图。如图1所示，所述光学邻近校正方法包括以下步骤：

步骤S102：提供原始光刻图案和所述原始光刻图案的光学邻近校正特征；

步骤S104：基于所述原始光刻图案和所述光学邻近校正特征训练第一神经网络和第二神经网络；

步骤S106：提供待校正光刻图案；

步骤S108：交替地使用训练后的第一神经网络和训练后的第二神经网络对所述待校正光刻图案实施光学邻近校正，以获得中间掩膜图案；

步骤S110：基于所述中间掩膜图案建立所述待校正光刻图案的光学邻近校正模型；

步骤S112：基于所述光学邻近校正模型对待校正光刻图案进行光学邻近校正。

下面结合实施例和附图对本申请技术方案的具体步骤进行详细说明。

在步骤S102中，提供原始光刻图案和原始光刻图案的光学邻近校正特征。

所述原始光刻图案代表期望在衬底上形成的光刻图案。所述原始光刻图案的光学邻近校正特征代表对原始光刻图案进行光学邻近校正以克服光学邻近效应所使用的特征，例如，在所述原始光刻图案的空隙处插入的亚分辨率修正特征(例如，散射条)以及对原始光刻图案的图形进行的边缘修正特征(例如，边界偏移)。可以从存储有光学邻近校正历史数据的数据库中获取多组包含原始光刻图案和光学邻近校正特征的数据，以作为神经元网络的训练数据。

图2为根据本申请的实施例的原始光刻图案的示意图。如图2所示，原始光刻图案200包括一个或多个原始主图形210，每个原始主图形210都包括一个或多个特征部。所述一个或多个特征部可包括线端部(Line End)211、线端邻近部(Line End Adjacent)212和一般边缘部(Normal Edge)213。在本实施例中，线端部211指的是位于长型(例如，矩形)的原始主图形210的短边上的线段。线端邻近部212指的是位于原始主图形210的长边上并且与线端部211相邻的线段。一般边缘部213指的是位于原始主图形210的长边上并且不与线端部211相邻的线段。

在步骤S104中，基于所述原始光刻图案和所述光学邻近校正特征训练第一神经网络和第二神经网络。

在本实施例中，基于所述原始光刻图案和所述光学邻近校正模型训练第一神经网络和第二神经网络可包括：基于所述一个或多个特征部的参数以及与所述一个或多个特征部相对应的一个或多个亚分辨率修正特征的参数对第一神经网络进行训练；以及基于所述一个或多个特征部的参数以及与所述一个或多个特征部相对应的一个或多个边缘修正特征的参数对第二神经网络进行训练。

图3为根据本申请的实施例的第一神经网络的示意图。如图3所示，所述第一神经网络包括输入层310、输出层330以及位于输入层310和输出层330之间的隐藏层320。在本实施例中，输入层310包括13个输入节点x1至x13，分别对应与特征部有关的各项参数(将在下文详细描述)。在本实施例中，输出层330包括3个输出节点y1至y3，分别对应亚分辨率修正特征的参数(将在下文详细描述)。应注意，图3中虽然仅示出了一个隐藏层320和6个隐藏层节点h1至h6，上述设置仅为示意性而非限制性的，其他数量的隐藏层和隐藏层节点也落入本申请的保护范围。

在本实施例中，基于所述一个或多个特征部的参数以及与所述一个或多个特征部相对应的一个或多个亚分辨率修正特征的参数对第一神经网络进行训练包括：对于所述一个或多个特征部中的每个特征部：

获取所述每个特征部的几何学参数和光学参数；

获取与所述每个特征部相对应的亚分辨率修正特征的参数；以及

将所述每个特征部的几何学参数和光学参数作为所述第一神经网络的输入并将与所述每个特征部相对应的亚分辨率修正特征的参数作为所述第一神经网络的目标输出，对所述第一神经网络进行训练，直至训练后的所述第一神经网络的实际输出与其目标输出之间的差异小于预定阈值。

在本实施例中，参考图2，所述几何学参数可包括：每个特征部所在的原始主图形的关键尺寸CD；每个特征部所在的原始主图形与相邻的原始主图形的间距S(例如，水平间距，垂直间距)；每个特征部所在的原始主图形的长度L；每个特征部的类型T(例如，取值1表示为线端部211，取值2表示线端邻近部212，取值3表示一般边缘部213)；每个特征部的中点(例如，线端部211的中点m1，线端邻近部212的中点m2、一般边缘部213的中点m3)到其所在的原始主图形的第一端(例如，线端部211所在端)的垂直距离D1(图中以一般边缘部213为例)；以及每个特征部的中点到其所在的原始主图形的第二端(例如，与所述第一端相对)的垂直距离D2(图中以一般边缘部213为例)。应注意，本实施例中的每个特征部的类型的取值仅为示意性而非限制性的，本领域技术人员可以根据需要为不同的特征部设定不同的取值。

在本实施例中，所述光学参数可包括：光强；光强梯度；光强曲率；以及光强与不同光酸(Photo Acid)分子扩散长度下的高斯函数的卷积。

在本实施例中，光学邻近校正模型可包括光学模型和光刻胶模型。所述光学模型采用霍布金斯(Hopkins)方法进行部分相干光源的光学成像运算。所述光学模型是一个″白盒″(White Box)模型，预测衬底平面上的曝光光强，即所谓的″空间像(Aerial Image)光强函数″。所述光学模型实际上是部分相干光在带相差的孔径的透镜组系统中的投射成像问题。所述光刻胶模型是在获取空间像光强函数的基础上，考虑到光刻胶在曝光后产生的离子扩散效应，用适当的高斯函数模型与空间像光强函数模型进行卷积而得到的模型。

在本实施例中，每个特征部的光强可以是该特征部中点处的光强，光强的具体值可通过光强函数I计算，光强函数I可基于霍布金斯方法通过如下公式计算。

I(x，y)＝F^-1{I(f，g)} (1)

其中，I(x，y)为衬底上点(x，y)处的输出光强函数，F^-1{}表示傅里叶逆变换，F^-1{I(f，g)}为I(f，g)的傅里叶逆变换形式，I(f，g)为空间输出光强函数I(x，y)经过二维傅里叶变换的频域值，F(f，g)是掩膜投射函数F(x，y)的二维傅立叶变换形式，F*()为共轭转置运算，F*(f，g)为F(f，g)的共轭转置函数，T(f1，g1，f+f1，g+g1)表示光学系统的透射交叉系数(TCC，Transmission Cross Coefficients)，J(f，g)为光源的互强度函数，描述了照明系统的相干属性，K(f，g)为成像系统的频率响应函数。

霍布金斯方法的本质是将部分相干照明系统以一种双线性系统的传递函数来描。采用霍布金斯方法，对于具有固定光源波长(Wavelength，λ)、数值孔径(NA，NumericalAperture)、离焦(Defocus)、光源相干系数(Coherent Factor，δ)以及具有其他像差的光刻光学系统可以用确定的TCC来描述，在确定了TCC计算式之后，就可以获取空间像的光强。

在本实施例中，每个特征部的光强梯度可以是该特征部中点法线方向上的光强梯度，光强梯度的具体值可通过光强梯度函数计算。

在本实施例中，每个特征部的光强曲率的具体值可通过光强曲率函数计算。

在本实施例中，获取四个不同光酸分子(或载流子)扩散长度(Diffusion Length)下的高斯函数G_S1、G_S2、G_S3和G_S4(例如，对应的光酸分子扩散长度分别为5nm、10nm、20nm、30nm)。扩散长度是光酸分子在生成和重组之间移动的平均长度。通过分别计算通过光强函数I和不同高斯函数G_S1、G_S2、G_S3和G_S4的的卷积，即可得到剩余的光学参数。

在获得了上述几何学参数和光学参数之后，可以构成所述第一神经网络的输入向量

在本实施例中，所述亚分辨率修正特征的参数包括：每个亚分辨率修正特征的偏移量o(例如，水平方向偏移量，垂直方向偏移量等)；每个亚分辨率修正特征的长度l；以及每个亚分辨率修正特征的宽度w。

在获得了上述所述亚分辨率修正特征的参数之后，可以构成所述第一神经网络的目标输出向量V_out1＝[o，l，w]。

在一些实施例中，如果上述几何学参数和光学参数不在一个维度上，可选用归一化的方法对其进行数据预处理。归一化指的是把需要处理的数据经过处理或变换后(例如，通过区间缩放算法)限制所需的范围内，使得在后续处理数据时更加方便，并保证程序运行时收敛加快。归一化的具体作用是把有量纲表达式经过变换变成无量纲表达式，成为纯量，方便后续处理。

在本实施例中，当所述第一神经网络的实际输出与其目标输出之间的差异小于预定阈值(例如，1％，2％，3％，4％，5％，6％，7％，8％，9％，10％)时，可认为所述第一神经网络训练完成。

图4为根据本申请的实施例的第二神经网络的示意图。如图4所示，所述第二神经网络包括输入层410、输出层430以及位于输入层410和输出层430之间的隐藏层420。在本实施例中，输入层410包括13个输入节点x1至x13，分别对应与特征部有关的各项参数。在本实施例中，输出层430包括1个输出节点z1，对应边缘修正特征的参数(将在下文详细描述)。应注意，图5中虽然仅示出了一个隐藏层420和6个隐藏层节点d1至d6，上述设置仅为示意性而非限制性的，本领域技术人员可以根据需要设置其他数量的隐藏层和隐藏层节点。

在本实施例中，基于所述一个或多个特征部的参数以及与所述一个或多个特征部相对应的一个或多个边缘修正特征的参数对第二神经网络进行训练包括：对于所述一个或多个特征部中的每个特征部：

获取所述每个特征部的几何学参数和光学参数；

获取与所述每个特征部相对应的边缘修正特征的参数；以及

将所述每个特征部的几何学参数和光学参数作为所述第一神经网络的输入并将与所述每个特征部相对应的边缘修正特征的参数作为所述第二神经网络的目标输出，对所述第二神经网络进行训练，直至训练后的所述第二神经网络的实际输出与其目标输出之间的差异小于预定阈值。

在本实施例中，参考图2，所述几何学参数包括：每个特征部所在的原始主图形的关键尺寸CD；每个特征部所在的原始主图形与相邻的原始主图形的间距S(例如，水平间距，垂直间距)；每个特征部所在的原始主图形的长度L；每个特征部的类型T(例如，取值1表示为线端部211，取值2表示线端邻近部212，取值3表示一般边缘部213)；每个特征部的中点(例如，线端部211的中点m1，线端邻近部212的中点m2、一般边缘部213的中点m3)到其所在的原始主图形的第一端(例如，线端部211所在端)的垂直距离D1(图中以一般边缘部213为例)；以及每个特征部的中点到其所在的原始主图形的第二端(例如，与所述第一端相对)的垂直距离D2(图中以一般边缘部213为例)。应注意，本实施例中的每个特征部的类型的取值仅为示意性而非限制性的，本领域技术人员可以根据需要为不同的特征部设定不同的取值。

在本实施例中，所述光学参数包括：光强；光强梯度；光强曲率；以及光强与不同光酸分子扩散长度下的高斯函数的卷积。

在本实施例中，每个特征部的光强可以是该特征部中点处的光强，光强的具体值可通过光强函数I计算，光强函数I的计算方法请参照所述第一神经网络的相关描述，在此不在赘述。

在本实施例中，每个特征部的光强梯度可以是该特征部中点法线方向上的光强梯度，光强梯度的具体值可通过光强梯度函数计算。

在本实施例中，每个特征部的光强曲率的具体值可通过光强曲率函数计算。

在本实施例中，在获取四个不同光酸分子扩散长度(Diffusion Length)下的高斯函数G_S1、G_S2、G_S3和G_S4(例如，对应的光酸分子扩散长度分别为5nm、10nm、20nm、30nm)之后，可通过分别计算通过光强函数I和不同高斯函数G_S1、G_S2、G_S3和G_S4的的卷积来得到剩余的几项光学参数。

在获得了上述几何学参数和光学参数之后，可以构成所述第二神经网络的输入向量

在本实施例中，所述边缘修正特征的参数包括：每个边缘修正特征的补偿值c。

在获得了上述所述亚分辨率修正特征的参数之后，可以构成所述第一神经网络的目标输出向量V_out2＝c。

在本实施例中，当所述第二神经网络的实际输出与其目标输出之间的差异小于预定阈值(例如，1％，2％，3％，4％，5％，6％，7％，8％，9％，10％)时，可认为所述第二神经网络训练完成。

在步骤S106中，提供待校正光刻图案。

图5为根据本申请的实施例的待校正光刻图案的示意图。如图5所示，待校正光刻图案500包括一个或多个第一主图形510，每个第一主图形510都包括一个或多个第一特征部(未示出)。

在步骤S108中，交替地使用训练后的第一神经网络和训练后的第二神经网络对所述待校正光刻图案实施光学邻近校正，以获得中间掩膜图案。

在本实施例中，交替地使用训练后的第一神经网络和训练后的第二神经网络对所述待校正光刻图案实施光学邻近校正包括：

基于所述待校正光刻图案和训练后的第一神经网络生成第一掩膜图案；

基于所述第一掩膜图案和训练后的第二神经网络生成第二掩膜图案；

基于所述第二掩膜图案和训练后的第一神经网络生成第三掩膜图案；以及

基于所述第三掩膜图案和训练后的第二神经网络生成中间掩膜图案。

图6为根据本申请的实施例的第一掩膜图案的示意图。下面结合图5和图6描述生成第一掩膜图案600的具体步骤。

在本实施例中，基于待校正光刻图案500和训练后的第一神经网络生成第一掩膜图案600包括：

获取每个第一特征部的几何学参数和光学参数；

将所述每个第一特征部的几何学参数和光学参数输入训练后的第一神经网络，以计算出与所述每个第一特征部相对应的第一亚分辨率修正特征的参数；以及

在计算出所有第一亚分辨率修正特征的参数之后，基于所有第一亚分辨率修正特征的参数在所述待校正光刻图案中插入一个或多个第一亚分辨率辅助图形610，一个或多个第一主图形510和一个或多个第一亚分辨率辅助图形610构成第一掩膜图案600。

在本实施例中，所述第一特征部的几何学参数可包括：每个第一特征部所在的第一主图形510的关键尺寸CD；每个第一特征部所在的第一主图形510与相邻的第一主图形510的间距S；每个第一特征部所在的原始主图形的长度L；每个第一特征部的类型T；每个第一特征部的中点到其所在的第一主图形的第一端的垂直距离D1；以及每个第一特征部的中点到其所在的第一主图形的第二端的垂直距离D2。应注意，本实施例中的每个第一特征部的类型的取值仅为示意性而非限制性的，本领域技术人员可以根据需要为不同的第一特征部设定不同的取值。

在本实施例中，所述第一特征部的所学参数可包括：光强；光强梯度；光强曲率；以及光强与不同光酸分子扩散长度下的高斯函数的卷积。

在本实施例中，所计算出的第一亚分辨率修正特征的参数可包括：每个第一亚分辨率修正特征的偏移量o；每个第一亚分辨率修正特征的长度l；以及每个第一亚分辨率修正特征的宽度w。

图7为根据本申请的实施例的第二掩膜图案的示意图。下面结合图6和图7描述生成第二掩膜图案700的具体步骤。

在本实施例中，基于第一掩膜图案600和训练后的第二神经网络生成第二掩膜图案700包括：

获取每个第一特征部的几何学参数和光学参数；

将所述每个第一特征部的几何学参数和光学参数输入训练后的第二神经网络，以计算出与所述每个第一特征部相对应的第一边缘修正特征的参数；以及

在计算出所有第一边缘修正特征的参数之后，基于所有第一边缘修正特征的参数对一个或多个第一主图形510的图形边界进行修正，以形成一个或多个第二主图形620，一个或多个第二主图形620和一个或多个第一亚分辨率辅助图形610构成所述第二掩膜图案700。

应注意，第一亚分辨率辅助图形610的存在将使得每个第一特征部的光学参数发生变化。因此，在本步骤中所获取的第一特征部的光学参数与在前一个步骤中获取的第一特征部的光学参数不同。

在本实施例中，所计算出的第一边缘修正特征的参数可包括：每个第一边缘修正特征的补偿值c。

图8为根据本申请的实施例的第三掩膜图案的示意图。下面结合图7和图8描述生成第三掩膜图案800的具体步骤。

在本实施例中，一个或多个第二主图形620中的每一个都包括一个或多个第二特征部(未示出)，基于第二掩膜图案700和训练后的第一神经网络生成第三掩膜图案800包括：

获取每个第二特征部的几何学参数和光学参数；

将所述每个第二特征部的几何学参数和光学参数输入训练后的第一神经网络，以计算出与所述每个第二特征部相对应的第二亚分辨率修正特征的参数；以及

在计算出所有第二亚分辨率修正特征的参数之后，基于所有第二亚分辨率修正特征的参数在第二掩膜图案700中通过一个或多个第二亚分辨率辅助图形710替换一个或多个第一亚分辨率辅助图形610，一个或多个第二主图形620和一个或多个第二亚分辨率辅助图形710构成第三掩膜图案800。

在本实施例中，所述第二特征部的几何学参数可包括：每个第二特征部所在的第二主图形620的关键尺寸CD；每个特征部所在的第二主图形620与相邻的第二主图形620的间距S；每个第二特征部所在的原始主图形的长度L；每个第二特征部的类型T；每个第二特征部的中点到其所在的第二主图形620的第一端的垂直距离D1；以及每个第二特征部的中点到其所在的第二主图形620的第二端的垂直距离D2。应注意，本实施例中的每个第二特征部的类型的取值仅为示意性而非限制性的，本领域技术人员可以根据需要为不同的特征部设定不同的取值。

在本实施例中，所述第二特征部的所学参数可包括：光强；光强梯度；光强曲率；以及光强与不同光酸分子扩散长度下的高斯函数的卷积。

在本实施例中，所计算出的第二亚分辨率修正特征的参数可包括：每个第二亚分辨率修正特征的偏移量o；每个第二亚分辨率修正特征的长度1；以及每个第二亚分辨率修正特征的宽度w。

图9为根据本申请的实施例的中间掩膜图案的示意图。下面结合图8和图9描述生成中间掩膜图案900的具体步骤。

在本实施例中，基于第三掩膜图案800和训练后的第二神经网络生成中间掩膜图案900包括：

获取每个第二特征部的几何学参数和光学参数；

将所述每个第二特征部的几何学参数和光学参数输入训练后的第二神经网络，以计算出与所述每个第二特征部相对应的第二边缘修正特征的参数；以及

在计算出所有第二边缘修正特征的参数之后，基于所有第二边缘修正特征的参数对一个或多个第二主图形620的图形边界进行修正，以形成一个或多个第三主图形720，一个或多个第三主图形720和一个或多个第二亚分辨率辅助图形710构成中间掩膜图案900。

应注意，第二亚分辨率辅助图形710的存在将使得每个第二特征部的光学参数发生变化。因此，在本步骤中所获取的第二特征部的光学参数与在前一个步骤中获取的第二特征部的光学参数不同。

在本实施例中，所计算出的第二边缘修正特征的参数可包括：每个第二边缘修正特征的补偿值c。

应理解，上述步骤中描述的所述第一神经网络和所述第二神经网络的交替顺序和次数仅为示意性而非限制性地，其他能够实现主图形边界修正和亚分辨率辅助图形修正的顺序和次数也落入本申请的保护范围。

在步骤S110中，基于所述中间掩膜图案建立所述待校正光刻图案的光学邻近校正模型。

在步骤S112中，基于所述光学邻近校正模型对待校正光刻图案进行光学邻近校正。

在本实施例中，在步骤S110与步骤S112之间，所述方法还可包括：

基于所述光学邻近校正模型对待校正光刻图案500进行模拟曝光，以获得模拟曝光图形；

对待校正光刻图案500进行实际曝光，以获得实际曝光图形；

获取所述模拟曝光图形与所述实际曝光图形之间的位置偏差；以及

判断所述位置偏差是否位于所述阈值范围之外，如果所述位置偏差位于所述阈值范围之外，则调整所述光学邻近校正模型，直至所述位置偏差位于所述阈值范围内，从而获得如图10所示的最终掩膜图案1000。

获取所述模拟曝光图形与实际曝光图形之间的差异的方法包括：测量模拟曝光图形的特征尺寸，获取模拟曝光图形的模拟测试数据；测量实际曝光图形的特征尺寸，获取实际最终图形的实际测试数据；获取所述模拟测试数据和实际测试数据之间的位置偏差。

获取所述模拟曝光图形与实际曝光图形之间的差异的方法还可包括：在待校正光刻图案500中选取若干个量测点，获取所述量测点对应的模拟测试数据和实际测试数据之间的位置偏差。

在本申请的实施例通过在基于模型的光学邻近校正之前采用基于机器学习的光学邻近校正，能够完全由计算机来实现理想图形的逼近，因此节省了在基于模型的光学邻近校正中原本需要反复进行的模拟曝光和实际曝光以获得收敛结果所花费的时间。因此，整个光学邻近校正过程的耗时大大缩短，例如，可减少10倍以上。

本申请的实施例还公开了一种计算机设备，包括存储设备、处理器及存储在所述存储设备上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如本申请实施例中所描述的一个或多个步骤。

所述计算设备可以是通用计算机或专用计算机。比如，所述计算设备可以是服务器、个人电脑、便携式电脑(比如笔记本计算机、平板电脑等)，也可以是有其他计算能力的电子设备。例如，所述计算设备可以包括通信端口，所述通信端口可以连接到网络或从其连接的网络中出来，以促进数据通信。所述计算设备还可包括以一个或多个处理器的形式的处理器，比如中央处理单元，用于执行程序指令。所述计算设备还可以包括内部通信总线和不同形式的程序存储介质和数据存储介质，例如，磁盘、只读存储器或随机存取存储器等等，用于存储要处理和/或传输的各种数据文件。所述存储介质可以是所述计算设备本地的存储介质，也可以是所述计算设备共享的存储介质。所述计算设备还可以包括存储在只读存储器，随机存取存储器和/或要由处理器执行的其他类型的非暂时性存储介质中的程序指令。所述计算设备还可以包括I/O组件来支持同分布式计算系统中其他计算设备之间的数据通信。所述计算设备还可以经由网络通信来接收编程和数据。

仅出于说明的目的，在所述计算设备中仅描述了一个处理器。然而，本领域普通技术人员可以理解的是，本申请中的计算设备还可以包括多个处理器。因此本申请中所述的由一个处理器执行的方法/步骤/操作也可以由多个处理器共同或分别执行。例如，如果在本申请中，所述计算设备的处理器可以同时执行步骤A和步骤B。应当理解的是，步骤A和步骤B也可以由两个不同的处理器共同执行。例如，第一处理器执行步骤A，第二处理器执行步骤B，或者第一处理器和第二处理器共同执行步骤A和B。

至此已经描述了基本概念，对于本领域的技术人员来说，在阅读了本详细公开之后可能会更加了解到，上述详细公开旨在仅通过示例而非限制性的方式进行呈现。尽管文中没有明确说明，但是本领域技术人员想要并且可以进行各种改变、改进和修改。例如，本公开的方法中的步骤可以不必完全按照所描述的顺序进行操作。这些步骤也可以部分地运行和/或以本领域普通技术人员合理预期的其他组合来运行。这些改变、改进和修改旨在由本公开提出，并且落入本公开的示例性实施方式的精神和范围内。

此外，某些术语已被用来描述本公开的实施例。例如，术语″一实施例″，″一个实施例″和/或″一些实施例″表示结合该实施例描述的特定特征、结构或特性包括在本公开的至少一个实施例中。因此，应当强调并且应当理解，在本说明书的各个部分中对″一实施例″、″一个实施例″或″替代实施例″的两个或更多个引用不一定都指的是同一实施例。此外，可以在本公开的一个或多个实施例中适当地组合特定特征、结构或特性。

此外，本领域的技术人员将认识到，可以在本文中以许多可授予专利的类别或上下文中的任何一种来图示和描述本公开的方面，这些类别和上下文包括任何新的和有用的过程、机器、制造或组成问题，或其任何新的有用的改进。相应地，本公开的各方面可以完全以硬件，完全以软件(包括固件、驻留软件、微代码等)来实现，或者可以将软件和硬件实现方式结合在一起，在本文中通常将其全部称为″块″、″模块″、″引擎″、″单元″、″组件″或″系统″。此外，本公开的方面可以采取体现在其上体现有计算机可读程序代码的一个或多个计算机可读介质中体现的计算机程序产品的形式。

此外，所陈述的处理元件或序列的顺序，或者因此使用的数字、字母或其他名称，并不旨在将所要求保护的过程和方法限制为任何顺序，除非可以在权利要求中指定。尽管以上公开内容通过各种示例讨论了当前被认为是本公开内容的各种有用实施例，但是应当理解，这种细节仅是出于该目的，并且所附权利要求不限于所公开的实施例，但是，相反，其旨在覆盖在所公开的实施例的精神和范围内的修改和等同布置。例如，尽管上述各种组件的实现可以体现在硬件设备中，但是它也可以实现为仅软件的解决方案，例如，在现有服务器或移动设备上的安装。

类似地，应当理解，在本公开的实施例的前述描述中，有时将各种特征组合在单个实施例、附图或其描述中，以简化本公开以帮助理解各种创造性实施例中的一个或多个。然而，本公开的方法不应被解释为反映了这样一种意图，即所要求保护的主题需要比每个权利要求中明确叙述的特征更多的特征。而是，创造性实施例少于单个前述公开的实施例的所有特征。