用于执行缺陷相关功能的计算机实现的方法

摘要

为了使用多样性采样，用户可以在本文描述的方法中选择多样性采样，并且可能选择要使用的多样性采样参数。一个提供这种能力的可能的界面是图示一用户界面的一个实施例的屏幕截图，所述用户界面可以被用来选择在本文描述的计算机实现的方法的实施方案中使用的多样性采样。晶片置后处理用户界面(18)图示列表(20)中的多个选项。具体地，列表(20)包括用于聚类(22)、采样(24)、重复器(26)和缺陷限制(28)的选项。采样选项包括评估选项(30)。评估选项(30)包括多样性采样选项(32)以及其他采样选项。用户可以通过点击采样选项名称旁边的选框来选择一个或更多个采样选项。

说明书

发明背景

1.发明领域

001本发明总地涉及用于执行一项或更多项缺陷相关功能的计算机实现的方法。一些 实施方案涉及用于识别检查数据中的噪声、使缺陷入容器(bin)、选择缺陷进行缺陷分 析、选择缺陷评估(review)过程的一个或更多个参数，或者对缺陷进行分类的计算机实 现的方法。

2.现有技术描述

下面的描述和实施例不因为被包括在本部分中而被认为是现有技术。

在半导体制造过程期间的各个时期使用检查过程来检测诸如掩模版(reticle)和晶片 的样品上的缺陷。检查过程已经总是制作半导体器件(例如集成电路)的一个重要部分。 然而，随着半导体器件的尺寸减小，检查过程对于可接受的半导体器件的成功制造来说变 得更为重要。例如，随着半导体器件的尺寸减小，由于即使是相对小的缺陷也可能导致半 导体器件中不希望的失常，对具有减小的大小的缺陷的检测变得必要。

近年来对很多不同类型的缺陷的检查已经变得更重要。例如，为了使用检查结果来监 控和校正半导体制作过程，通常有必要知道在样品上存在什么类型的缺陷。此外，由于为 了获得可能的最高成品率(yield)而期望控制半导体制造所包括的每个过程，所以期望具 有检测可能从很多不同半导体过程中产生的不同类型缺陷的能力。要检测的不同类型的缺 陷在它们的性质上可能大大不同。例如，可能期望在半导体制造过程期间检测的缺陷可以 包括厚度改变、颗粒缺陷、划痕、图形缺陷(例如缺失图形特征(feature)或非正确地定 大小的图形特征)，以及很多其他具有这样的异类性质的缺陷。

为了使检查提供用于成品率控制的有用结果，检查过程必须能够不仅仅检测很多不同 种类的缺陷，还要能够在晶片或掩模版上的真正的缺陷和噪声或干扰(nuisance)事件之 间进行区分。噪声可以被定义为由于检查工具的边际效应(marginality)(例如数据处理 和/或数据获取中的边际效应)而由检查工具在晶片或掩模版上检测到的并非实际缺陷但 表现为潜在缺陷的事件。干扰事件是实际缺陷，但是对于控制过程和预测成品率的目的来 说与用户无关。此外，同一缺陷在一个时间点可能被认为是干扰事件，而之后可能发现它 是一相关缺陷。在一些情况下，可以通过使用优化的数据获取参数和优化的数据处理参数 来减少检查工具所检测到的噪声和干扰事件的数量。此外，可以通过向检查结果应用各种 过滤技术来减少噪声和干扰事件的数量。

与通过上述方法减少噪声和干扰事件相关联的一个问题在于确定最小化噪声和干扰 事件的数据获取和数据处理参数的困难和耗时的本质。具体来说，确定适当的数据获取和 数据处理参数通常涉及大量时间。此外，当检查系统具有相对大量的可调节数据获取和数 据处理参数时，针对特定样品和感兴趣的具体缺陷类型建立检查过程的任务可能尤其困 难。另外，除非已经测试了数据获取和数据处理参数的所有可能组合，否则可能无法知道 是否已经找到最佳的检查过程。

然而，当前大多数检查过程是使用大量手动过程(例如，手动设置数据获取参数，手 动分析所得的检查数据，等等)来建立的。建立检查过程可能耗费相对长的时间。另外， 取决于将以所述检查系统来检查的样品的类型，可能需要针对每种不同类型的缺陷建立不 同的检查过程。对于诸如在开发中的短期实验或者在加工厂(foundry)中的短期器件生产 的赶工期(ramp)的情况来说，确定适当的数据获取和数据处理参数所涉及的时间长度可 能尤其成问题，因为这些检查过程不能对建立所述过程中所投入的努力提供良好的回报。

成品率控制的另一个重要部分是确定晶片或掩模版上缺陷的起因，从而可以纠正所述 缺陷的起因，由此减少其他晶片或掩模版上的缺陷数量。同常，确定缺陷起因包括识别缺 陷类别以及缺陷的其他性质，例如大小、形状、构成(composition)，等等。因为检查通 常仅包括检测晶片或掩模版上的缺陷以及提供关于所述缺陷的有限信息(例如位置、数量， 有时还有大小)，所以常使用缺陷评估来确定关于各个缺陷的除从检查结果可以确定的信 息之外的更多信息。例如，可以使用缺陷评估工具来重新访问在晶片或掩模版上检测到的 缺陷，并且进一步以某种方式自动或手动地考察(examine)所述缺陷。还可以使用缺陷 评估来验证(verify)检查所检测到的缺陷是实际缺陷而不是例如噪声或干扰事件。

普遍使用的缺陷评估工具的一些实施例包括高分辨率光学成像系统、扫描电子显微镜 和不那么普遍的透射电子显微镜。通常，用于缺陷评估的工具具有比检查工具低得多的吞 吐量(throughput)，并且可以对材料具有负作用。因此，对缺陷评估工具的明智的使用 对于提供关于掩模版或晶片上的缺陷的信息而不显著地影响过程的总吞吐量来说是关键 的。一种减轻缺陷评估对总过程吞吐量的影响的方式是通过仅仅评估检查曾检测到的所有 缺陷的一子集或一部分。

选择缺陷进行评估通常被称为“采样”。尽管采样缺陷来进行评估是一种提高缺评估的 吞吐量的主要方式，但是存在很多方式，在所述方式中采样可能不利地影响评估所产生的 关于缺陷的信息。例如，一种普遍的采样缺陷进行评估的方式是通过对检查所检测到的整 个缺陷总群体(population)进行随机采样。在一些情况下，随机采样对于选择适当的缺 陷子群体进行评估来说是有效的。然而，存在很多可能不期望随机采样的情况。例如，在 用户出于发现倾向性的目的(for trending purpose)而想要其处于用于评估的子群体中的晶 片上，真正的缺陷可能随机分布，但是这些缺陷可能在所述总群体中占优势。因此，在随 机采样中可能出现太少的其他类型的缺陷来提供对于晶片所有缺陷类型的评估来说有效 的缺陷子群体。

缺陷评估过程的有效性还由所使用的数据获取参数和/或数据处理参数确定。具体来 说，很像如上所描述的检查过程，缺陷评估过程的数据获取参数和数据处理参数将对缺陷 评估结果具有深远影响。因此，以适合于被评估的缺陷类型的参数来进行缺陷评估过程是 重要的。类似于确定用于检查的适当参数，确定用于评估的适当参数可能是相对耗时且困 难的，尤其是当缺陷评估工具具有大量可调节参数和/或在单次过程中要评估大量不同的 缺陷时。因此，可以想象当前很多缺陷评估过程正在以对被评估的至少一些缺陷来说基本 上是次优的(less than optimal)参数进行着。

因此，开发用于识别检查数据中的噪声、使缺陷入容器、选择缺陷进行缺陷分析、选 择缺陷评估过程的一个或更多个参数，和/或对缺陷进行分类的计算机实现的方法是有益 的，与当前可使用的方法相比，所述计算机实现的方法提供更高的吞吐量和更好的性能。

发明内容

下面对计算机实现的方法的各个实施方案的描述不应该以任何方式解读为限制所附 的权利要求书的主题。

一个实施方案涉及用于识别检查数据中的噪声的计算机实现的方法。所述方法包括使 用已知用于检测噪声、干扰事件和真实事件的检测参数来检测检查数据集中的事件。所述 检查数据集是通过对样品进行的不同检查生成的。所述方法还包括将在少于一预定数的数 量的所述检查数据集中检测到的事件识别为噪声。在一个实施方案中，所述方法包括从所 述检查数据集中消除(eliminate)被识别为噪声的所述事件。

在一个实施方案中，所述不同的检查是以相同或不同数据获取条件进行的。在另一个 实施方案中，所述不同的检查是以相同或不同检测参数进行的。上面描述的方法每个实施 方案可以包括本文中描述的任意其他一个或多个步骤。

另一个实施方案涉及用于使缺陷入容器的计算机实现的方法。所述方法包括确定在检 查数据集中检测到的缺陷的性质，所述检查数据集是通过对样品进行的不同检查生成的。 所述方法还包括基于所述性质和曾在其中检测到所述缺陷的所述检查数据集使所述缺陷 入容器为组。

在一个实施方案中，所述方法包括对所述组中的所述缺陷进行采样以用于缺陷评估。 在另一个实施方案中，所述不同的检查是以相同的数据获取参数进行的，并且所述缺陷是 使用相同的检测参数在所述检查数据集中检测到的。在不同的实施方案中，所述不同的检 查是以不同的数据获取参数进行的。在额外的实施方案中，所述缺陷是使用不同的检测参 数在所述检查数据集中检测到的。在另一实施方案中，所述不同的检查是以不同的数据获 取参数进行的，并且所述缺陷是使用不同的检测参数在所述检查数据集中检测到的。在再 一实施方案中，所述缺陷是以单个检查参数集检测到的。在一个这样的实施方案中，所述 方法还包括使用由对所述样本进行的额外检查而生成的数据来确定所述缺陷的额外的性 质，其中对所述样本进行的额外检查使用了与所述单个集合的数据获取参数不同的数据获 取参数。上面描述的方法的每个实施方案可以包括本文中描述的任意其他一个或多个步 骤。

一额外的实施方案涉及用于在检查系统上选择缺陷以进行缺陷分析的计算机实现的 方法。所述方法包括使缺陷入容器为一个或更多个组，所述入容器操作是基于样品上所述 缺陷相互之间的邻近度或者相对位置以及由所述一个或更多个组形成的空间特征标记来 进行的。该技术已经被称为对缺陷的空间特征标记分析。该分析中形成的每个组被称为特 征标记(signature)，并且可以(例如用标签)进行标注来指示特征标记的种类，例如划 痕、环状环或径向记号。晶片上的所有缺陷可以被标志为一个或更多个特征标记的成员， 或者可以被标志为随机事件。所述方法还包括在所述一个或更多个组(例如由此形成的任 何或所有特征标记)的至少一个组中选择一个或更多个所述缺陷以进行缺陷分析。

在一个实施方案中，所述缺陷分析包括创建样本以进行缺陷评估。在不同的实施方案 中，缺陷分析包括缺陷分类。在另一个实施方案中，缺陷分析可以包括创建关于所述入容 器操作的结果的报告。使用在这里，术语“报告”包括呈现在系统用户界面上的报告、在系 统的长期储存中提交的报告、使用半导体装置通信标准发送到主机或其他系统的报告，以 及通过电子邮件或其他用于通信的标准发送的报告。

在一个实施方案中，入容器的步骤是对在对检查所生成的数据进行的检查结束时进行 的。在额外的实施方案中，所述入容器的步骤是在评估系统上的光学评估或在显微镜上的 电子显微镜评估之前进行的。在不同的实施方案中，入容器的步骤是对检查所生成的数据 进行的，但是，这是在光学评估系统上进行的，以形成用于自动或手动评估的样本。在其 他实施方案中，入容器的步骤是对检查所生成的数据进行的，但是，这是在扫描电子显微 镜评估系统上进行的，以形成用于自动或手动评估的样本。

在另一个实施方案中，入容器的步骤可以包括将检查数据堆叠到样品上的区域中。所 述区域包括相同的图形化特征设计，例如管芯，或者在晶片上掩模版的单次曝光中形成的 区域。随后通过整个晶片的空间特征标记分析来根据缺陷的相对位置分析所述缺陷。

在一些实施方案中，所述方法包括确定在所述一个或更多个组(例如特征标记组和随 机组)中多少缺陷被选择以进行所述缺陷分析。可以基于特征标记的标注和其中的缺陷计 数来确定所述一个或更多个组中的缺陷数。在另一个实施方案中，所述方法包括确定所述 一个或更多个组(例如一个或多个特征标记)中的任何组是否与已知的根源起因(root cause)相关联。在额外的实施方案中，所述方法包括将缺陷分析的结果与所述缺陷曾被入 容器所到的组相关联。上面描述的方法的每个实施方案可以包括本文中描述的任意其他一 个或多个步骤。

进一步的实施方案涉及用于选择缺陷以进行缺陷分析的计算机实现的方法。该方法包 括确定在样品上检测到的缺陷的一个或更多个性质。所述方法还包括选择下述缺陷以进行 缺陷分析，其中所选缺陷的所述一个或更多个性质具有最大多样性。所述方法可以包括本 文描述的任何其他一个或多个步骤。

另一个实施方案涉及用于选择缺陷评估过程的一个或更多个参数的计算机实现的方 法。所述方法包括确定被选择以进行缺陷评估的缺陷的一个或更多个性质。所述方法还包 括基于所述一个或更多个性质选择用于所述缺陷评估的过程的一个或更多个参数，从而可 以以一个或更多个不同参数评估所述缺陷的不同类型。

在一个实施方案中，所述一个或更多个参数包括一个或更多个数据获取参数。在另一 个实施方案中，所述一个或更多个参数包括一个或更多个数据处理参数。在一些实施方案 中，所述方法可以包括基于所述一个或更多个参数选择用于一个或更多个所述缺陷类型的 一个或更多个采样参数。上面描述的方法的每个实施方案可以包括本文中描述的任意其他 一个或多个步骤。

再一个实施方案涉及用于分类缺陷的计算机实现的方法，所述方法包括使用针对样品 生成的检查数据组合针对所述样品生成的缺陷评估数据来分类所述样品上的缺陷。在一个 实施方案中，所述检查数据包括原始检查数据。在另一个实施方案中，分类缺陷的操作是 使用基于缺陷属性的方法或基于特征向量的方法来进行的。在额外的实施方案中，分类缺 陷的操作包括自动的缺陷分类。

在一个实施方案中，所述缺陷评估数据包括扫描电子显微镜图像。在另一个实施方案 中，用于所述分类操作的所述检查数据包括关于所述缺陷的上下文信息。在进一步的实施 方案中，所述检查数据是以不同的数据获取参数生成的。在额外的实施方案中，所述缺陷 评估数据是以不同的数据获取参数生成的。上面描述的方法每个实施方案可以包括本文中 描述的任意其他一个或多个步骤。

附图简要说明

一旦阅读了下面的详细描述并且参照附图之后将清楚本发明的其他目标和优点，在所 述附图中：

图1是图示可以用于选择要在本文中所描述的计算机实现的方法的实施方案中使用 的一个或更多个空间特征标记分析(spatial signature analysis)过程的用户界面的屏幕截图；

图2是图示可以用于选择在本文中所描述的计算机实现的方法的实施方案中使用的 多样性(diversity)采样的用户界面的屏幕截图；

图3是图示可以被配置来执行本文中所描述的一个或更多个计算机实现的方法的系 统的一个实施方案的侧视图的示意图。

尽管本发明容许各种修改和可替换的形式，但是本发明的具体实施方案在附图中以实 施例的方式被示出，并且可以在这里被详细地描述。但是，应该理解附图和对附图的详细 描述并不想要将本发明限制为公开的特定形式，并且正相反，本发明要覆盖所有落入如所 附的权利要求书定义的本发明的精神和范围内的修改、等同物和替代。

优选实施方案详细描述

如在这里使用的，术语“缺陷”一般指可以在晶片上或晶片内形成的任何异常或不期望 的特征。

如在这里使用的，术语“样品”指掩模版或晶片。术语“掩模版”和“掩模(mask)”在这 里以可交换的方式使用。掩模版一般包括具有在其上形成的不透明材料的图形化区的透明 衬底，所述透明衬底诸如玻璃、硼硅酸盐玻璃(borosilicate glass)和熔融石英(fused silica)。 不透明区可以用蚀刻到透明衬底中的区来代替。本领域中已知很多不同类型的掩模版，并 且如本文中使用的术语掩模版意图包括所有类型的掩模版。

术语“晶片(wafer)”一般指由半导体或非半导体材料形成的衬底。这种半导体或非半 导体材料的实施例可以包括但不限于：单晶硅、砷化镓，以及磷化铟。在半导体制造设施 中普遍可以找到和/或处理这样的衬底。晶片可以包括一个或更多个在衬底上形成的层。 例如，这些层可以包括但不限于：抗蚀剂、电介质材料，以及导电材料。本领域中已知很 多不同类型的这样的层，并且如本文中使用的术语晶片意图包括所有类型的这样的层。

在晶片上形成的一个或更多个层可以被图形化或不被图形化。例如，晶片可能包括多 个每一个具有可重复图形特征的管芯。这样的材料层的形成和处理最终可以导致完成的半 导体器件。因此，晶片可以包括衬底，完成的半导体器件的所有层并非都已经在所述衬底 上形成；或者，晶片可以包括这样的衬底，完成的半导体器件的所有层都已在所述衬底上 形成。

晶片可以进一步包括集成电路的至少一部分、薄膜磁头管芯、微电子-机械系统 (MEMS)器件、平板显示器、磁头、磁和光储存介质、可以包括光子和光电子器件(例 如激光器)的其他部件、波导和在晶片上加工的其他无源部件、打印头以及在晶片上加工 的生物芯片器件。

尽管在本文中针对晶片描述了一些实施方案，但是可以理解，本文中所描述的所有实 施方案可以用于上面描述的任何样品。

术语“参数”、“设置”和“条件”在本文中被可交互地用于指代诸如检查和评估的过程的 变量。

如2004年10月12日Teh等人递交、序列号为60/618,475的美国专利申请中所描述 的，当前配置来用于检查半导体晶片的系统可以检测比不对多个事件进行过滤以及使所述 多个事件入容器就能有效地评估或分析的事件更多的晶片上的“事件”，所述专利申请通过 引用以如同其在本文中被完全给出的方式被包括在此。如这里使用的，“事件”一般指检查 系统所识别的任何潜在的缺陷。事件实际上可以代表噪声、干扰事件或真正的缺陷事件。 如研究已经显示的，很多检查程序(sequence)的最耗时的部分是其花费来评估和分类检 查结果的时间。本文所描述的计算机实现的方法的实施方案提供用于检查和分析的改进的 方法，所述方法可以由适当配置的检查系统、评估系统、计算机系统或其组合执行以改进， 甚至优化，总吞吐量和性能。

当前，许多不同的策略可以被用于消除噪声和干扰事件。这些策略中的一些包括将数 据获取硬件的参数设置为用于最优检测的适当值或状态，并且应用各种算法来隔离干扰事 件。这些方法的一个在于它们花费相当量的时间来建立用于检查的“工艺配置(recipe)” 或过程。因此，对于一些情况，例如在开发中的短期实验或在加工厂中的短期器件生产的 赶工期来说，这些方法不能对建立所述方法时所投入的努力提供良好的回报。包括一些额 外检查以提供更多检查数据并自动执行干扰事件隔离的方法将提供优于当前方法的改进， 尽管所述方法使用了检查所需要的额外的时间。例如，可以用次优化的(less than optimized) 检查过程执行该方法，由此通过减少(或者甚至消除)确定最优的光学检查参数集时所用 时间来改善检查过程的整体吞吐量。此外，通过如本文中进一步描述的那样处理数据，次 优化的检查过程的结果可以用来以相对的准确率区别干扰和真实事件。

因此，用于在检查数据中识别噪声的计算机实现的方法的一个实施方案包括使用已知 用于检测噪声、干扰事件以及真实事件的检测参数检测检查数据集中的事件。换言之，用 未曾优化过的数据处理参数执行事件检测。例如，可以用已知有可能检测到除真实事件之 外的噪声或干扰事件的数据处理参数(例如算法设置)执行检查。

检查数据集是通过对样品执行的不同检查来生成的。可以在单个检查过程的不同“趟 (pass)”或不同“测试”中执行不同检查。不同检查可以使用相同或不同的未优化的 (non-optimized)检查参数。例如，可以用相同或不同的数据获取条件执行不同检查。此 外，可以用相同或不同检测参数执行不同的检查。

该方法还包括将在少于一预定数的数目的检查数据集中检测到的事件识别为噪声。可 附加或可替换地，该方法可以包括将在检查数据集的特定组合中未被检测到的事件识别为 干扰事件。以这种方式，本文中描述的这些方法利用了这样的事实，即一般来说，噪声和 干扰事件将不如真实事件那样可重复。在一些实施方案中，该方法包括从检查数据集中消 除被识别为噪声或干扰事件的事件。

因此，上面描述的计算机实现的方法的实施方案提供了一种方法，所述方法通过对(通 过重复检查获得的)结果的稳定性(可重复性)调查来减少检查数据中噪声和干扰事件的 数目。换言之，出于自动移除未被发现足够次的事件的目的，该方法可以包括多个检查趟。 可以如本文中进一步描述的那样执行所述多个检查趟。

针对该方法的工艺配置优选地包括可以被用来指示检查要被执行的次数的可变参数， 和被用来从干扰事件中确定真实事件的可重复性准则(criterion)。该工艺配置还可以包 括在完成检查趟之后执行的数据处理(例如算法)。数据处理可以自动移除在检查数据中 未曾被检测到预定次数的事件。对于在检查中使用不同检查参数的情况，工艺配置还可以 包括用于确定缺陷是否为真的准则，所述准则不仅使用曾检测到所述缺陷的次数，还使用 曾检测到所述缺陷的不同检查设置的数目。

本文中描述的用于在检查数据中识别噪声和/或干扰事件的方法具有优于当前使用的 方法的多种优势。例如，可以针对高度灵敏的检测性能(例如检测每个潜在事件)来配置 检测过程或系统，同时避免干扰事件。因为样本检测被执行多次，所以该方法将不具有相 对高的吞吐量。然而，对于在开发、生产赶工期或车间环境中仅使用较少次的检查来说， 可以在维持高灵敏性的同时优化检查过程建立和检查过程运行两者的总吞吐量。上面描述 的方法的每个实施方案可以包括本文中描述的任意其他一个或多个步骤。

还存在许多已有的用于使缺陷入容器的方法。一般来说，已有策略考虑具有以通用方 式生成的性质的单个总群体。为了使用在多趟中生成的检查数据，可以针对每一总群体执 行一系列分离的入容器操作。在一些情况中，组合用各种方式生成的检查数据的方法将为 入容器操作提供更大的益处。例如，某些缺陷类型是使用一种成像模式或算法条件找出的， 其他类型是用另一种成像模式或算法条件找出的，而再其他的类型是使用这两种成像模式 或算法条件找出的。在另一种情况中，在不同的图像获取条件或算法设置下一些缺陷类型 的性质将以相对可预测的方式改变。通过组合多个测试或者对从在单个入容器过程中使用 的一个测试检测到的缺陷的一次或更多次重新扫描的结果(包括关于在检测缺陷中产生的 条件以及在那些条件下缺陷的性质的信息)，可以更有效地使这些缺陷入容器，以用于针 对评估(并且具体地针对扫描电子显微镜(SEM)评估)而进行的采样的目的。

用于使缺陷入容器的计算机实现的方法的一个实施方案包括确定在检查数据集中检 测到的缺陷的性质，所述检查数据集是通过对样本执行不同检查而生成的。该方法还包括 基于缺陷的性质和在其中曾检测到缺陷的数据集来将缺陷入容器为组。例如，与在其中找 出缺陷的检查数据集相关联的数据获取和/或处理参数可以被用作入容器过程的输入。在 一个实施方案中，该方法包括在组中采样缺陷以用于缺陷评估。

因此，上面描述的计算机实现的方法的实施方案提供了一种方法，所述方法用于出于 搜集(gather)关于事件总群体的额外信息的目的而组合多个检查趟的结果，以增强入容 器和采样操作。换言之，多个检查趟生成多个关于事件的检查数据集，所述检查数据集可 用于入容器操作和样本(sample)生成。

在另一个实施方案中，用相同的数据获取参数执行不同的检查，并且使用相同的检测 参数在检查数据集中检测缺陷。在不同的实施方案中，用不同的数据获取参数执行不同的 检查。在其他实施方案中，使用不同的检测参数在检查数据集中检测缺陷。在一些实施方 案中，用不同的数据获取参数执行不同的检查，并且使用不同的检测参数在检查数据集中 检测缺陷。

在再一个实施方案中，用单个检查参数集(例如一个数据获取和检测参数集)检测缺 陷，并且仅针对为了入容器操作或分析而获取额外性质的目的在不同条件下重新扫描这些 有缺陷的场点(site)。以这种方式，该方法可以包括使用这样的数据确定缺陷的额外性 质，所述数据通过以不同于所述单个集合的数据获取参数的数据获取参数对样本进行的额 外的检查而生成。

以这种方式，可以用相同的硬件和/或软件设置来执行这些趟。可替换地，可以用不 同的硬件和/或软件设置来执行这些趟。用户可以创建包括多个趟的检查过程。这些趟将 落入以下组中的一个：所有趟使用相同成像条件和检测算法；一些趟使用不同算法；一些 趟使用不同成像条件；以及一些趟使用不同算法和成像条件。

一旦完成检查趟，将运行确定哪个趟或哪些趟捕捉到缺陷以及这些趟中缺陷的性质的 算法，所述缺陷的性质可以随后用于将所述缺陷入容器为将被采样以供SEM评估的两个 或更多个组。因此，上面描述的计算机实现的方法的实施方案具有几种优于当前使用的入 容器方法的优势。例如，通过对用这种方式入容器的缺陷进行采样，SEM评估样本将具 有更好的缺陷代表(representation)。上面描述的用于使缺陷入容器的计算机实现的方法 的每个实施方案可以包括本文中描述的任何其他一个或多个步骤。

如熟悉统计学的人员一般所了解的，对于人们不能重新访问整个总群体并且因此要求 进行采样的大多数情形来说，评估代表性采样的最早并且最好的方法是生成总群体的随机 采样。该方法的结果相对易于使用最少的样例(example)全面重建整个总群体。所以， 晶片检查中最普遍的评估策略是某种形式的随机采样，有时用各种方式增强所述随机采 样。

然而，存在许多不期望随机采样的情形。例如，真实缺陷可能随机地位于晶片上，并 且用户出于发现倾向性的目的可能希望这些缺陷处于评估总群体中，但是这些缺陷可能在 所述总群体中占优势。这样，在随机样本中将出现太少其他类型的缺陷。在另一个例子中， 可能存在数目上相对较少而至关重要的缺陷。因此，这些缺陷被包括在随机样本中的似然 性(likelihood)基本上很小。

对于上面描述的两种情形，使缺陷入容器为组并且随后对一些或所有容器(bin)成 比例或不成比例地进行采样可以是有用的。以这种方式，在每个容器中被采样的缺陷的数 目可以不同并且可以被独立确定。一旦完成评估和/或分类，结果和/或分类优选地与入容 器准则进行匹配，而不是如当前执行的那样被整体回建(project back)到总群体。如可以 期望的，比随机采样中更多的样本可以被用于这些方法来避免采样错误，特别是如果用来 分离缺陷的容器的数目相对多时。目前在Klarity产品和其他分析系统中使用的采样支持 这种类型的采样，所述Klarity产品在商业上可从加利福利亚州圣何塞的KLA-Tencor获得。 在包括同样可以从KLA-Tencor获得的AIT XP+工具系列的检查工具上也支持这种类型的 采样。用这种方法的一个问题在于分析严重地依赖于对采样方法的了解。以这种方式，关 于采样操作的信息需要和缺陷数据一起“传播(travel)”到所有分析位置。

在额外的实施例中，可以存在由单个起因引起并且在晶片上集中在一起或者从晶片、 掩模板或管芯来看形成图案或特征标记的真实事件。一些特征标记类型可能是很好理解 的，并且因此不需要对它们进行评估。其他缺陷特征标记可能不好理解，或者可能是由可 以评估确定的多于一个起因引起的。尽管评估样本中的这些缺陷可能是期望的(甚至是关 键的)，但是可能仅期望这些缺陷的一个或两个样例。

对于上面描述的情形，当前方法包括执行聚类算法和出于采样的目的将聚类与未聚类 的缺陷作为两个总群体来对待。该方法的一个不足在于简单的聚类不能将诸如划痕和涂层 突起(coat spike)的不相交(disjoint)事件辨识(recognize)为单个“特征标记”。类似地， 在不将其他未聚类事件误识别为聚类的情况下，不能将散布的(diffuse)缺陷组(有时称 为云(cloud)或霾(haze))辨识为特征标记。可以用空间特征标记分析(SSA)算法(该 算法为Klarity Defect中的选项)来辨识和分类这些特征标记。在共同转让的、授予Kulkarni 等人的美国专利5,992,699和授予Eldredge等人的美国专利6,718,526中说明了SSA算法 和方法的实施例，所述专利通过引用以如同其在本文中被完全给出的方式被包括在此。本 文中描述的方法内使用的SSA可以如这些专利中描述的那样进行。

在再一个实施例中，当未很好地理解处理问题时，例如在研究机构(research facility) 中或者在生产赶工期(production ramp)期间总群体可能是未知的。这些情形下，感兴趣 的是察看(see)广泛的各种缺陷，并且一般并不强烈地需要整体地回建所述总群体。目 前对这种情形的处理(handle)一般是不足的。例如，对于手动评估和分析，用户可以从 晶片图、管芯图、简单的分组算法以及直觉来工作，以手动找出感兴趣的缺陷以用于评估。 此外，如Wang等人于2005年XX月XX日递交、共同转让的美国专利No.XX/XXX,XXX 中描述的，可以使用一种方法来找出缺陷的多样性样本，所述多样性样本可以用于手动找 出感兴趣的缺陷来确定理想的检查设置，所述专利通过引用以如同其在本文中被完全给出 的方式被包括在此。本文中描述的方法可以使用多样性采样策略来在检查中自动执行采 样，以支持赶工期和工程分析使用的情形。不存在其他已知的用于在晶片检查系统的生产 运行中找出最广泛可能的各种缺陷类型的自动采样系统或方法。

用于为缺陷分析选择缺陷的计算机实现的方法的一个实施方案包括将缺陷入容器为 一个或更多个组，所述入容器是基于样品上缺陷相互之间的邻近度和由所述一个或更多个 组形成的空间特征标记来进行的。该方法还包括在所述一个或更多个组的至少一个组内选 择一个或更多个缺陷进行缺陷分析。换言之，可以独立地采样每个组中的缺陷，从而每个 组中的至少一些缺陷受到评估。在一个实施方案中，缺陷分析包括创建用于缺陷评估的样 本。在另一个实施方案中，缺陷分析包括缺陷分类。在一些实施方案中，缺陷分析包括创 建关于入容器步骤的结果的报告。以这种方式，分析可以包括创建关于SSA结果的总结 报告。本文中描述的方法的实施方案提供了一种用于通过有效地处理各种类型的事件的特 征标记来减小和分割(segment)缺陷总群体的方法，所述总群体被采样以用于置后检查 (post-inspection)图像搜集和分类。

在一个实施方案中，对检查生成的数据执行入容器步骤。以这种方式，所述方法可以 包括对晶片检查系统使用自动的SSA结果。此外，可以在光学评估或扫描电子显微镜评 估之前执行入容器步骤。

对于采样和其他工具上分析(analysis on-tool)可用的SSA，用户可以选择一个或更 多个SSA工艺配置作为检查工艺配置的部分。在图1中示出一种可以用于提供该能力的 可能界面。具体地，图1是图示用户界面的一个实施例的屏幕截图，所述用户界面可以被 用来允许用户选择在本文描述的计算机实现的方法的实施方案中使用的一个或更多个 SSA过程。注意，本文图示和描述的所有屏幕截图仅作为可以用来实现本文描述的方法的 用户界面的实施例而提出，以进一步理解这些方法。明显地，可能有许多不同的针对用户 界面的配置，并且所有这些配置都落入本公开的范围。

如图1中所示，选择SSA工艺配置用户界面10包括可用于采样和其他工具上分析的 SSA方法列表。在该实施例中，列表12显示包括以下的选项：无；划痕和抛光；照片特 征标记；掩模版特征标记；以及晶片边缘效应。然而，所述列表可以包括这些选项中的一 些、这些选项中的一些连同其他选项，或者完全不同的选项集。在(例如通过点击一个或 更多个SSA选项的名称)选择了列表12中的一个或更多个选项之后，用户可以选择确定 (OK)14或取消(Cancel)16以继续该方法。

在一些实施方案中，SSA包括堆叠(stack)对应于样品上多个区域的检查数据。所述 区域包括相同的图形化特征设计。换言之，所述区域可以是样品上的域或管芯。这样的实 施方案还包括确定位于堆叠区域中的缺陷是否实质上形成特征标记。

因此，如上面所描述的，所述方法可以使用工具上分析中的SSA来从掩模版堆叠或 管芯堆叠中的缺陷进行工作，并且通过在掩模版或管芯内的空间位置来聚类(cluster)缺 陷。其中这样的方法有用的应用的一个实施例是隔离出现在掩模版边缘的光刻问题。其中 该方法有用的应用的另一个实施例是找出当图形的密度例如在阵列的边缘处改变时所发 生的工艺问题。当前，仅有的堆叠掩模版和管芯的工具上算法是被配置来出于各种目的(例 如工艺窗认证(process window qualification，PWQ))找出重复性缺陷(repeater defect) 的算法。本文所描述的对SSA的使用之前从未进行过。此外，所述方法可以包括在晶片 检查系统上使用基于SSA的自动管芯堆叠或掩模版堆叠。所述方法还可以或者可替换地 包括在评估系统(光学或SEM)上使用基于SSA的自动管芯堆叠或掩模版堆叠。

在另一个实施方案中，SSA的结果被用于将缺陷分配到一个或更多个组中。以这种方 式，SSA的结果可以用于帮助对评估样本进行整形(shape)。具体来说，可以以与聚类 相同的方式简化地使用SSA结果，其中聚类现在为特征标记。以这种方式，所述系统可 以将总群体分成两个总群体：用于采样的“特征标记的(signed)”和“未特征标记的 (unsigned)”缺陷。

在一个实施方案中，所述方法包括确定所述一个或多个组中的多少个缺陷被选择来进 行缺陷分析。在一个这样的实施方案中，SSA的结果可以用于采样，从而如当前针对聚类 所进行的，可以以指定计数或总群体的百分比来对每个特征标记或特征标记的相异类型进 行采样。此外，针对每个特征标记要采样的缺陷的百分比可以不同，并且可以独立地确定。 以这种方式，所述方法还可以有益于收集来自某些罕见或感兴趣的特征标记类型的缺陷。

在另一个实施方案中，该方法包括确定一个或更多个组中的任意一个组是否与已知的 根源起因相关联。因为SSA按类型来对特征标记进行标志(特征标记入容器)，所以该 系统或方法还可以在采样中针对包括或排除来过滤某些特征标记。在一个这种实施例中， 搜集这样的缺陷的图像可能没有价值，即所述缺陷是其根源起因被很好地理解的特征标记 的成员。在另一个实施例中，与未特征标记的缺陷相比，可以更大量地(heavily)采样由 单个根源起因引起的缺陷。

在进一步实施方案中，组中的一个多个缺陷是分析确定这样的的缺陷的输入，所述缺 陷的所述一个或更多个性质具有最大多样性。因此，为了找出更有用的缺陷样本以重新访 问来搜集图像和/或进行分类，用于SSA和多样性采样(diverse sampling)的算法可以合 并到单个方法中，所述方法可以在检查后自动执行。在一个实施方案中，该方法可以包括 在检查系统上使用SSA和多样性采样的组合。在另一个实施方案中，该方法可以包括在 评估系统(光学或SEM)上使用SSA和多样性采样的组合。

为了使用多样性采样，用户可以选择在本文描述的方法中使用的多样性采样和多样性 采样可能的参数。一种提供这种能力的可能的界面在图2中示出。具体地，图2是图示用 户界面的一个实施例的屏幕截图，所述用户界面可以被用来选择在本文描述的计算机实现 的方法的实施方案中使用的多样性采样。如图2中所示出，晶片置后处理(Wafer Post Processing)用户界面18图示了列表20中的多个选项。具体地，列表20包括用于聚类22、 采样24、重复器(repeater)26以及缺陷限制28的选项。采样选项包括评估选项30。如 图2中所示出，评估选项30包括多样性采样选项32以及其他采样选项。用户可以通过点 击采样选项名称旁边的选框来选择一个或更多个采样选项。

一旦选择多样性采样选项32，多样性采样选项卡34可以显示在用户界面18中。多样 性采样选项卡可以显示关于多样性采样的信息和针对多样性采样的选项。例如，多样性采 样选项卡可以显示关于哪些类型的采样可以被一同使用的信息。例如，多样性采样选项卡 可以指示如果选择多样性采样，则自动不选择诸如随机和类代码(Class Code)采样的其 他采样方法，反之亦然。此外，多样性采样选项卡34可以包括样本大小选项36，在所述 样本大小选项36中用户可以选择要包括在样本中的缺陷的数目。多样性采样选项卡34还 包括采样范围选项38，所述采样范围选项38允许用户指定是否在每个测试40或所有测试 42内执行多样性采样。

上面描述的用于选择缺陷来进行缺陷分析的方法具有优于当前使用采样方法的许多 优势。具体地，与基于简单聚类的采样方法相比较，本文描述的方法通过处理晶片或管芯 级别的缺陷特征标记来提供更有效的采样。例如，本文描述的方法对来自相同特征标记的 多个事件提供较不冗余的评估。本文描述的方法还允许识别通过简单聚类(例如散布区域 缺陷或源于多个起源的特征标记)未识别的感兴趣的缺陷组以进行评估。此外，本文描述 的方法允许从采样、评估以及其他缺陷分析中消除良好理解的缺陷。此外，本文描述的方 法允许在评估样本中包括更多数目的感兴趣的缺陷。上面描述的用于选择缺陷来进行缺陷 分析的方法的每个实施方案可以包括本文描述的任何其他一个或多个步骤。

用于选择缺陷来进行缺陷分析的不同的计算机实现的方法的一个实施方案包括确定 在样品上检测到的缺陷的一个或更多个性质。该方法还包括选择这样的的缺陷来进行缺陷 分析，所述缺陷的所述一个或更多个性质具有最大多样性。因此，该方法使用多样性采样 作为随机采样的替换。在一个实施方案中，该方法可以包括在晶片检测系统上使用自动多 样性采样。在另一个实施方案中，该方法可以包括在评估系统(光学或SEM)上使用自 动多样性采样。

上面描述的用于选择缺陷来进行缺陷分析的方法是有优势，因为它通过自动识别总群 体的多样性样本来增加找出感兴趣的缺陷的机会。对于在实验或赶工期应用中进行的采 样，这种方法特别有优势。例如，这种方法提供自动“察看”样品上的所有类型的缺陷的能 力。此外，当一缺陷类型在晶片上占优势但是作为聚类或特征标记并不明显时，这种方法 提供避免类似缺陷的情形(instance)的能力。对于利用自动生成的缺陷的多样性样本的 用户，该用户可以从用户界面选择该采样算法。可以用来向用户提供该选择的一种可能界 面在图2中示出，所述界面可以如上面描述的那样配置。上面描述的用于选择缺陷来进行 缺陷分析的方法的每个实施方案可以包括本文描述的任何其他一个或多个步骤。

和检查的情况一样，优选将评估条件(硬件和软件)调节(tune)为在定位缺陷和搜 集关于所述缺陷的信息两方面都具有最优性能。和检查的情况一样，对于晶片上一种缺陷 类型的最优条件可以实质上与对于其他缺陷类型的条件不同。在当前的方法中，最优条件 中的差异可以通过具有弥补(recovery)策略来处理，所述弥补策略比如以不同的成像条 件和算法进行弥补(例如额外的评估趟)，从而可以将正确的成像条件和算法用于所有潜 在的缺陷类型。以每个缺陷为基础的对可能的最佳条件的预知将在提供关于每个缺陷的最 优信息的同时改善SEM评估的吞吐量。不同的采样条件以及不同的SEM设置可以用于总 群体子样本。

因此，用于选择缺陷评估过程的一个或更多个参数的计算机实现的方法的一个实施方 案包括确定选择来进行缺陷评估的缺陷的一个或更多个性质。该方法还包括基于所述一个 或更多个性质来为缺陷评估过程选择一个或更多个参数，从而可以用一个或更多个不同的 参数来评估不同类型的缺陷。

在一个实施方案中，所述一个或更多个参数包括一个或更多个数据获取参数。在另一 个实施方案中，所述一个或更多个参数包括一个或更多个数据处理参数。在一些实施方案 中，该方法包括基于一个或更多个性质为一个或更多个缺陷类型选择一个或更多个采样参 数。可以如上面进一步描述的那样选择采样参数。

上面描述的用于选择缺陷评估过程的一个或更多个参数的方法可以被用来通过将评 估系统调节为匹配缺陷总群体的子样本来改善评估的结果。具体地，该方法包括为了建立 评估硬件和/或软件以获得最优性能和吞吐量的目的而使用缺陷数据。例如，该方法可以 使缺陷入容器到两个或更多个不同组以供SEM评估，并且每个组可以在不同的硬件和/或 软件调节下被评估。例如，在SEM检查系统上找出的缺陷可以被入容器到电气缺陷组和 物理缺陷组。由光学检查系统找出的缺陷可以被入容器成嵌入和表面缺陷。这种SEM控 制的方法还可以包括本文描述的附加的方法和步骤，例如运行检查多次。因为可以在预先 确定的最优条件下评估缺陷，所以当以高度高效的方式使用SEM评估工具时来自SEM评 估的分类和图像可以是最优的。用于选择缺陷评估过程的一个或更多个参数的方法的每个 实施方案可以包括本文描述的任何其他一个或多个步骤。

用于分类缺陷的计算机实现的方法的一个实施方案包括使用针对样品生成的检查数 据组合针对该样品生成的缺陷评估数据来分类该样品上的缺陷。在一个实施方案中，所述 检查数据包括原始检查数据。在另一个实施方案中，使用基于缺陷属性的方法或基于特征 向量的方法来执行对缺陷的分类。在不同的实施方案中，对缺陷进行分类包括自动缺陷分 类。这样的缺陷分类方法可以包括本领域中已知的任何适当的方法。

在一个实施方案中，缺陷评估数据包括SEM图像。在另一个实施方案中，用于分类 缺陷的检查数据包括关于缺陷的上下文(contextual)信息。在一些实施方案中，检查数据 是以不同的数据获取参数来生成的。在进一步的实施方案中，缺陷评估数据是以不同的数 据获取参数来生成的。

因此，上面描述的方法包括为了缺陷分类的目的而使用与评估数据组合的检查数据。 这样，上面描述的方法可以被用来通过在缺陷的自动分类中使用检查信息连同评估信息来 改善评估的结果。此外，可以一同考虑检查和评估过程的全部(原始)结果来分类缺陷。 用于该入容器操作的算法可以是本领域中已知的基于缺陷属性的方法或基于特征向量的 方法中的任意一种。

因此，上面描述的方法具有几种优于当前使用的用于分类缺陷的其他方法的优势。例 如，尽管SEM图像具有当前可获得的最高图像逼真度，但是样品上可以被SEM观察到的 区域存在限制。以这种方式，检查中搜集的缺陷数据可以提供更大范围的上下文信息。此 外，通过使用以不同数据获取或成像条件生成的检查数据可以最佳地察看或确定一些缺陷 的“特征标记”。此外，SEM图像可能在针对一些缺陷类型的信息方面受限，而检查图像可 以提供补充信息。

另一个实施方案涉及如图3中所示出的载体介质44。注意，附图不是按比例绘制的。 具体地，该图的一些部件(element)的比例被放大了很多以强调该部件的性质。载体介质 44包括在计算机系统48上可执行以进行本文描述的一个或更多个计算机实现的方法的程 序指令46。

实现如本文描述的那些方法的程序指令可以通过载体介质传输或储存在载体介质上。 载体介质可以是例如电线、电缆或无线传输链路的传输介质。载体介质还可以是例如只读 存储器、随机访问存储器、磁盘或图像获取盘或者磁带的储存介质。

程序指令可以以各种方式中的任何一种来实现，包括基于过程的技术、基于组件的技 术和/或面向对象的技术。例如，程序指令可以根据期望使用Matlab、Visual Basic、ActiveX 控制、C、C++对象、C#、JavaBeans、微软基础类(“MFC”)或其他技术或方法来实现。

计算机系统可以采取各种形式，包括个人计算机系统、大型计算机系统、工作站、图 像计算机、并行处理器或任何其他本领域已知的设备。总的来说，术语“计算机系统”可以 被广泛地定义为包括具有一个或更多个处理器的任何设备，所述处理器执行来自存储介质 的指令。

图3还图示了可以被配置来执行本文描述的一个或更多个计算机实现的方法的实施 方案的系统的一个实施方案。图3中示出的系统包括检查系统50。检查系统50被配置为 生成输出52，所述输出52包括针对设置在台56上的样品54的检查数据。例如，检查系 统50包括测量头58，测量头58可以相对于台被这样安排，即使得可以进行对样品的光学 或其他测量。所述台可以包括本领域中已知的任何合适的机械装置(assembly)或机器人 装置。

检查系统50可以被配置为使用本领域已知的任何技术来检查样品。此外，检查系统 可以具有本领域已知的任何合适的配置。例如，检查系统可以被配置为光学检查系统。可 替换地，检查系统可以被配置为诸如CD SEM和eS25和eS30系统的e束检查工具，所述 CD SEM和eS25和eS30系统在商业上可从KLA-Tencor获得。

检查系统50被耦合到计算机系统48。例如，测量头58的一个或更多个组件(未示出) 可以通过传输介质(未示出)被耦合到计算机系统48。传输介质可以包括“有线”和“无线” 部分。以这种方式，输出52可以通过传输介质从测量头58传输到计算机系统48。在一些 实施方案中，输出还可以通过居于测量头和计算机系统之间的一个或更多个电气组件(未 示出)来传输。因此，输出52从检查系统传输到计算机系统。

计算机系统48被配置为使用输出52执行本文描述的一个或更多个计算机实现的方 法。所述计算机系统可以使用包括在载体介质44中的程序指令46来执行这些计算机实现 的方法和任何其他缺陷相关的功能。

在一些实施方案中，所述系统还可以包括或可替换地包括缺陷评估系统60。以这种方 式，所述系统可以包括或不包括检查系统和缺陷评估系统两者。这种系统可以被配置为检 查/评估群组工具(cluster tool)。换言之，可以通过一个或更多个通用组件(例如通用环 境、通用样品处理机(handler)、如本文进一步描述的通用计算机系统和/或通用电源) 来耦合检查系统和评估系统。

评估系统60被配置为生成输出62，所述输出62包括针对设置在台66上的样品64 的评估数据。例如，评估系统60包括测量头68，测量头68可以相对于台被这样安排，即 使得可以进行对样品的光学或其他测量。所述台可以包括本领域中已知的任何合适的机械 装置或机器人装置。

评估系统60可以被配置为使用本领域已知的任何技术来评估缺陷。此外，评估系统 可以具有本领域已知的任何合适的配置。例如，评估系统可以被配置为光学评估系统。可 替换地，评估系统可以被配置为诸如CD SEM和eS25和eS30系统的e束评估系统，所述 CD SEM和eS25和eS30系统在商业上可从KLA-Tencor获得。

评估系统60被耦合到计算机系统48。例如，测量头68的一个或更多个组件(未示出) 可以通过传输介质(未示出)被耦合到计算机系统48。传输介质可以包括“有线”和“无线” 部分。以这种方式，输出62可以通过传输介质从测量头68传输到计算机系统48。在一些 实施方案中，还可以通过居于测量头和计算机系统之间的一个或更多个电气组件(未示出) 来传输输出。因此，输出62从评估系统传输到计算机系统。

计算机系统48被配置为使用输出62执行本文描述的一个或更多个计算机实现的方 法。所述计算机系统可以使用包括在载体介质44中的程序指令46来执行这些计算机实现 的方法和任何其他缺陷相关的功能。

在一些实施方案中，本文描述的系统可以被配置为“独立工具(stand alone tool)”，或 者配置为在物理上未耦合到处理工具的工具。然而，这种系统可以通过传输介质耦合到处 理工具(未示出)，所述传输介质可以包括有线和无线部分。处理工具可以包括本领域已 知的任何处理工具，例如光刻工具、蚀刻工具、沉积工具、抛光工具、镀敷工具、清洁工 具或离子注入工具。处理工具可以被配置为群组工具或通过通用处理机耦合的多个处理模 块。

通过本文描述的系统执行的检查和/或评估的结果可以被用来使用反馈控制技术、前 馈控制技术或原位控制(in situ control)技术来改变处理或处理工具的参数。可以手动或 自动地改变处理或处理工具的参数。

通过阅读本说明书，本领域中的那些技术人员可以清楚本发明的各个方面的进一步的 修改和可替换的实施方案。例如，提供了用于执行一个或更多个缺陷相关的功能的计算机 实现的方法。因此，本说明书要被解读为仅是图示说明性的，并且是为了教导本领域中的 那些技术人员实施本发明的一般方式。可以理解，在这里示出和描述的本发明的形式要被 当作当前优选的实施方案。在这里图示和描述的元件和材料可以被替换，部件和工艺可以 被颠倒，并且本发明的一些特征可以被独立地使用，在受益于本发明的本说明书之后，本 领域中的技术人员将会清楚所有这些。可以对在这里描述的元件做出改变，而不会偏离如 在所附的权利要求书中描述的本发明的精神和范围。