用于工业物联网的预测系统的制作方法

本申请要求2016年5月20日提交的第15/160,429号美国申请序列的优先权的权益，该申请通过引用整体结合于此。

背景技术

一些制造过程可包括增量组装(例如，制作、构造等)和测试过程，以确保产品在整个组装过程中满足规格，并且允许在到达终端之前校正或移除未通过的产品。一旦组装好最终产品，可对最终产品进行最终系统级验证测试，以确保最终产品满足预期规格并按预期操作。然而，系统级测试可能是耗时且昂贵的，这可能导致生产量增加和成本的增加。

附图说明

在附图中(这些附图不一定是按比例绘制的)，相同的数字可以描述不同视图中的类似的组件。具有不同的字母后缀的相同的数字可以表示类似组件的不同实例。附图一般通过示例的方式而不是限制的方式来图示在本文档中所讨论的各实施例。

图1例示出根据一些实施例的工业物联网(iot)预测系统的组件。

图2例示出根据一些实施例的工业物联网(iot)预测系统的组件。

图3例示出根据本公开的实施例的工业物联网(iot)预测半导体管芯(die)制作系统(系统)300。

图4例示出根据一些实施例的用于生成系统级验证预测的方法。

图5例示出根据一些实施例的用于生成系统级验证预测的方法。

图6是根据示例实施例的例示本文中所讨论的技术(例如，方法)中的任一种或多种可对其执行的示例机器的框图。

具体实施方式

以下阐述某些细节以提供对本公开实施例的充分理解。然而，将对本领域技术人员清楚的是，没有这些具体细节的各方面也可实施本公开的实施例。在一些实例中，未详细示出众所周知的电路、控制信号、定时协议、计算机系统组件以及软件操作，以便避免不必要地模糊本公开的所描述实施例。

本文描述的工业物联网(iot)预测验证系统的示例可允许使用预测引擎对终端产品进行预测验证。可训练预测引擎以预测哪些终端产品很可能通过系统级验证测试，以及哪些终端产品很可能未通过。可使用对于个体终端产品的来自预测引擎的预测来代替系统级测试以确定通过/未通过验证，这可降低生产成本并提高生产量。

图1例示出根据本公开的实施例的工业物联网(iot)预测系统(系统)100。系统100可涉及药物开发和制造、汽车/飞机组装和制造、消费者电子系统组装和制造、或其他制造或工业环境。系统100可包括预测电路170，该预测电路170被训练用于基于来自制造过程的测试数据来预测终端产品是否将通过系统级验证测试。系统100可包括供给110，供给110被分成若干训练单元120和若干生产单元122。训练单元120和生产单元122可经由制造装备和测试器140而经历组装(例如，制作、构造等)和测试以提供相应的终端产品150。相应的终端产品150可被提供至系统级测试器160和预测电路170中的一者或两者，以确定终端产品150中的个体是否通过系统级验证测试。

供给110可包括在用于生产终端产品150的制造过程中使用的任何材料、设备、组件、组装件等。供给110可被分成训练单元120和生产单元122。制造装备和测试器140可包括在用于提供多个终端产品150的制造过程期间使用的制造(例如，制作、组装、感测、构造等)装备。制造装备和测试器140可进一步包括当训练单元120和生产单元122转换成终端产品150时在制造过程中的指定点递增地测试训练单元120和生产单元122的测试器。制造装备和测试器140可包括允许制造装备和测试器140与彼此、系统级测试器160、预测电路170或其组合通信的收发机。在一些实施例中，测试器可与制造装备和测试器140的制造装备集成。

系统级测试器160可对终端产品150执行系统级验证测试，以确定终端产品150中的一者是否满足设计规范。在第一阶段期间，可训练预测电路170以基于来自制造装备和测试器140的测试器的测试数据以及来自系统级测试器160的测试数据来预测终端产品150中的每一个是否将通过系统级验证测试。在第二阶段期间，预测电路170可被用于进行通过/未通过确定。

在操作中，供给110可被分成训练单元120和生产单元122。在第一阶段(例如，训练阶段)期间，可使训练单元120通过制造装备和测试器140，并且可经由系统级测试器160测试所得终端产品150，以确定每个个体终端产品是否通过系统级验证测试。来自制造装备和测试器140以及系统级测试器160的测试数据可被用于训练预测电路170。在第二阶段(例如，测试阶段)期间，可使生产单元122通过制造装备和测试器140以提供所得终端产品150和所得测试数据。终端产品150中的每一个的所得测试数据可被提供至预测电路170，并且预测电路170可使用所得测试数据来确定终端产品150中的每个个体终端产品是否通过系统级验证测试。使用预测电路170确定通过/未通过信息而非执行系统级验证测试可降低制造成本和时间。

在组装期间，训练单元120和生产单元122中的每一个可在其被转换成相应的终端产品150时经历组装级测试。在第一阶段期间，系统级测试器160可对来自训练单元120的终端产品150中的每一个执行系统级验证测试以确定通过或未通过信息。来自制造装备和测试器140的以及来自系统级测试器160的针对从训练单元120产生的终端产品150中的每一个的测试数据可被提供至预测电路170。预测电路170可使用来自制造装备和测试器140以及系统级测试器160中的每一个的测试数据来将预测模型训练成能够预测给定终端产品150是否很可能通过系统级验证测试。

对用于第一阶段的训练单元120的选择可基于供给110内的每个单元的位置。例如，如果供给110是固体材料块(例如，锭)，则供给110的成分可在供给110内纵向地从一点到另一点略微变化。即，纵向地，一端可具有与中间部分略微不同的成分，中间部分可具有与第二端略微不同的成分。因此，可在沿供给110的纵向轴线的各个点处选择训练单元120，以帮助改进预测电路170的训练的稳健性。

制造装备和测试器140可从训练单元120和生产单元122组装和测试终端产品150。组装可包括多个步骤，并且可包括添加其他材料130。当训练单元120和生产单元122中的每一个转换成终端产品150时，制造装备和测试器140的测试器可在某些组装点测试训练单元120和生产单元122的特性。制造装备和测试器140可包括用于将测试数据传送至预测电路170的收发机。在一些示例中，制造装备和测试器140可进一步将其他遥测数据(诸如，环境数据或装备健康数据)传送至预测电路170。预测电路170可在第一和第二阶段两者期间使用测试数据、遥测数据或其组合。制造装备和测试器140可进一步于组装过程期间在彼此之间或与中央计算机通信遥测。遥测数据的通信可被用于在组装期间影响对制造装备或测试器的改变，诸如中央计算机或服务器改变制造装备、测试器、系统级测试器160、预测电路170或其组合中的一个或多个设置。在一些示例中，预测电路170可被包括在中央计算机或服务器中。

在第一阶段期间，系统级测试器160可对从训练单元120产生的终端产品150执行系统级验证测试以做出通过/未通过确定。来自系统级测试器160的通过/未通过确定可被提供至预测电路170。预测电路170可使用来自制造装备和测试器140的测试和/或其他遥测数据连同来自系统级测试器160的测试数据来训练预测模型。训练可包括预测电路170标识来自制造装备和测试器140的导致来自系统级测试器160的通过指示的测试和/或其他遥测数据之间的相关性，并且可标识来自制造装备和测试器140的导致来自系统级测试器160的未通过指示的测试和其他遥测数据之间的相关性。在一些实施例中，预测电路170的预测模型可包括神经网络，诸如双层感知器神经网络。

一旦预测电路170被训练，系统100便可进入第二阶段，其中预测电路170进行针对从生产单元122生产的终端产品150中的个体的系统级通过/未通过确定。在一些示例中，预测电路170可直接提供用于从生产单元122产生的终端产品150中的每一个的通过或未通过。在其他示例中，当由预测电路170进行的预测通过或未通过的置信度落在针对特定终端产品150的阈值之外时，预测电路170可指示需要由系统级测试器160执行系统级验证测试。此外，预测电路170的预测模型可被随机更新(例如，随机选择附加引导(pilot)单元来经历系统级验证测试)、定期更新(例如，定期选择附加引导单元来经历系统级验证测试)、或在制造装备和测试器140内部或周围的条件改变时更新。在实施例中，系统级测试器160可对从生产单元122中的每一个产生的终端产品150的选择子集执行系统级验证测试，并且来自制造装备和测试器140和系统级测试器160的针对终端产品150的子集中的每一个的测试数据可被用于更新预测电路170。

在一些示例中，预测电路170可作为指令被存储在计算机或服务器的机器可读介质中，该指令可由一个或多个处理器单元执行以使用来自制造装备和测试器140以及系统级测试器160的数据进行训练，并使用来自制造装备和测试器140的数据提供针对终端产品150的通过/未通过预测。在另一示例中，预测电路170可被包括在系统级测试器160中。使用预测电路170的预测模型，代替经由系统级测试器160对终端产品150执行系统级测试可减少生产时间并降低生产成本。

图2例示出根据本公开的实施例的工业物联网(iot)预测系统(系统)200。系统200可涉及药物开发和制造、汽车/飞机组装和制造、消费者电子系统组装和制造、或其他制造或工业环境。系统200可包括预测电路270，该预测电路170被训练用于基于来自制造过程的测试数据来预测终端产品是否将通过经由系统级测试器260的系统级验证测试。系统200可包括供给(未示出)，该供给被分成若干训练单元220和若干生产单元222。训练单元220和生产单元222可经由制造设备和测试器240而经历组装(例如，制作、构造等)和测试以提供相应的终端产品250。相应的终端产品250可被提供至系统级测试器260和预测电路270中的一者或两者，以确定终端产品250中的个体是否通过系统级验证测试。

供给可包括在用于生产终端产品250的制造过程中使用的任何材料、设备、组件、组装件等。供给可被分成训练单元220和生产单元222。制造装备和测试器240可包括在用于提供终端产品250的制造过程期间使用的制造(例如，制作、组装、感测、构造等)装备242(1-n)。制造装备和测试器240可进一步包括测试器244(1-n)，该测试器244(1-n)被耦合至制造设备242(1-n)中的相应制造设备，并且当制造装备和测试器240将训练单元220和生产单元222转换成终端产品250时在由相应制造装备242(1-n)完成组装步骤之后对训练单元220和生产单元222执行相应测试。制造装备242(1-n)和测试器244(1-n)可包括用于与彼此、系统级测试器260、预测电路270或其组合通信的收发机。在一些实施例中，测试器244(1-n)可与制造装备242(1-n)集成。

系统级测试器260可对终端产品250执行系统级验证测试，以确定终端产品250中的一者是否满足设计规范。在第一阶段期间，可训练预测电路270以基于来自制造装备和测试器240的测试器244(1-n)的测试数据以及来自系统级测试器260的测试数据来预测终端产品250中的每一个是否将通过系统级验证测试。在第二阶段期间，预测电路270可被用于进行通过/未通过确定。

在操作中，供给110可被分成训练单元220和生产单元222。在第一阶段(例如，训练阶段)期间，可使训练单元220通过制造装备和测试器240，并且可经由系统级测试器260完全测试所得终端产品250，以确定每个个体终端产品是否通过系统级验证测试。来自制造装备和测试器240以及系统级测试器260的测试数据可被用于训练预测电路270。在第二阶段(例如，测试阶段)期间，可使生产单元222通过制造装备和测试器240以提供所得终端产品250和所得测试数据。终端产品250中的每一个的所得测试数据可被提供至预测电路270，并且预测电路270可使用所得测试数据来确定终端产品250中的每个个体终端产品是否通过系统级验证测试。使用预测电路270确定通过/未通过信息而非执行系统级验证测试可降低制造成本和时间。

在组装期间，训练单元220和生产单元222中的每一个可在其被转换成相应的终端产品250时经历经由测试器244(1-n)的组装级测试。在第一阶段期间，系统级测试器260可对来自训练单元220的终端产品250中的每一个执行系统级验证测试以确定通过或未通过信息。来自测试器244(1-n)的以及来自系统级测试器260的针对从训练单元220产生的终端产品250中的每一个的测试数据可被提供至预测电路270。预测电路270可使用来自制造装备和测试器240以及系统级测试器260中的每一个的测试数据来训练预测电路270以预测给定终端产品250是否很可能通过系统级验证测试。

对用于第一阶段的训练单元220的选择可基于供给内的每个单元的位置。例如，如果供给是固体材料块(例如，锭)，则供给的成分可在锭内纵向地从一点到另一点略微变化。即，纵向地，一端可具有与中间部分略微不同的成分，中间部分可具有与第二端略微不同的成分。因此，可在沿供给的纵向轴线的各个点处选择训练单元220，以帮助改进预测电路270的训练的稳健性。

制造装备和测试器240可从训练单元220和生产单元222组装和测试终端产品250。组装可包括由制造装备242(1-n)执行的多个步骤，并且可包括其他材料230的添加。制造装备242(1-n)可各自与相应的测试器244(1-n)通信。测试器244(1-n)可执行组装级测试以在训练单元220和生产单元222中的每一个转换成终端产品250时在组装过程中的某些点处测量训练单元220和生产单元222的特性。制造装备242(1-n)和测试器244(1-n)可包括用于将测试数据传送至预测电路270的收发机。在一些示例中，制造装备和测试器240可进一步将其他遥测数据(诸如，环境数据或装备健康数据)传送至预测电路270。预测电路270可在第一和第二阶段两者期间使用测试数据、遥测数据或其组合。制造装备和测试器240的制造装备242(1-n)和测试器244(1-n)可在组装过程期间进一步彼此通信遥测或与中央计算机或服务器通信遥测。遥测数据的通信可被用于在组装期间影响对制造装备242(1-n)或测试器244(1-n)的改变，诸如中央计算机或服务器改变制造装备242(1-n)、测试器244(1-n)、系统级测试器260、预测电路270或其组合中的一个或多个设置。在一些示例中，预测电路270可被包括在中央计算机或服务器中。

在第一阶段期间，系统级测试器260可对从训练单元220产生的终端产品250执行系统级验证测试以做出通过/未通过确定。来自系统级测试器260的通过/未通过确定可被提供至预测电路270。预测电路270可使用来自测试器244(1-n)的测试和/或其他遥测数据连同来自系统级测试器260的测试数据来训练预测模型。训练可包括预测电路270标识来自制造装备和测试器240的导致来自系统级测试器260的通过指示的测试和/或其他遥测数据之间的相关性，并且可标识来自制造装备和测试器240的导致来自系统级测试器260的未通过指示的测试和其他数据之间的相关性。本领域技术人员可预选要被包括在提供至预测电路270的测试数据中的输入参数，以进行训练来量化这些预选的输入参数对将要预测的输出的依赖性。可基于本领域技术人员对趋向于与系统级性能度量(例如，系统级通过/未通过)相关的参数的先验知识来预选参数。在一些实施例中，对特定参数的预选可能是不必要的，因为神经网络的训练可提供对个体输入参数权重的计算，从而量化个体输入参数中的每一个对将要预测的输出(例如，系统级通过/未通过)的依赖性。在一些实施例中，预测电路270的预测模型可包括神经网络，诸如双层感知器神经网络。

一旦预测电路270被训练，系统200便可进入第二阶段，其中预测电路270基于来自测试器244(1-n)的测试和其他数据来进行针对从生产单元222生产的终端产品250中的个体的系统级通过/未通过确定。可实现预测电路270来确定终端产品250中的个体的通过或未通过，以代替经由系统级测试器260来执行全面的系统级验证测试。在一些示例中，预测电路270可直接提供针对每一个的通过或未通过。在其他示例中，当由预测电路270进行的预测通过或未通过的置信度落在针对特定终端产品250的阈值之外时，预测电路270可指示需要由系统级测试器260执行系统级验证测试。此外，预测电路270的预测模型可被随机更新(例如，随机选择附加引导单元来经历系统级验证测试)、定期更新(例如，定期选择附加引导单元来经历系统级验证测试)、或在制造装备和测试器240内部或周围的条件改变时更新。在实施例中，系统级测试器260可对从生产单元222中的每一个产生的终端产品250的选择子集执行系统级验证测试，并且来自测试器244(1-n)和系统级测试器260的针对终端产品250的子集中的每一个的测试数据可被用于更新预测电路170。此外，在一些示例中，可使用另一方法来训练预测电路270，诸如使用历史测试和通过/未通过数据。

在一些示例中，预测电路270可作为指令被存储在计算机或服务器的机器可读介质处，该指令可由一个或多个处理器单元执行以使用来自制造装备和测试器240以及系统级测试器260的数据进行训练，并使用来自制造装备和测试器240的数据提供针对终端产品250的通过/未通过预测。在另一示例中，预测电路270可被包括在系统级测试器260中。使用预测电路270的预测模型，代替经由系统级测试器260对终端产品250执行系统级测试可减少生产时间并降低生产成本。

图3例示出根据本公开的实施例的工业物联网(iot)预测半导体管芯制作系统(系统)300。系统300可包括神经网络电路370，该神经网络电路370被训练用于基于来自制造过程的测试数据来预测个体半导体管芯350是否将通过经由系统级测试器360的系统级验证测试。系统300可包括被划分成训练晶片320和生产晶片322的锭。训练晶片320和生产晶片322中的每一个可经历包括经由制造装备和测试器340进行测试的制作和组装过程以提供半导体管芯350。半导体管芯350可被提供至系统级测试器360和神经网络电路370中的一者或两者，以确定半导体管芯350中的个体是否通过系统级验证测试。

半导体材料可包括在用于生产半导体管芯350的制造过程中使用的任何材料。半导体材料可被切成晶片并被划分成训练晶片320和生产晶片322。制造装备和测试器340可包括在制造装备和测试器340将训练晶片320转换成半导体管芯350时在完成制作和组装步骤之后对训练晶片320和生产晶片322执行相应测试的制造装备(未示出)和测试器344(1-4)。344(1)可包括用于使用专用管芯间变化(idv)电路来沿晶片的划线测量晶片健康的晶片级测试。344(2)可在制作之后但在封装之前执行管芯级测试以确定每个个体管芯的健康。344(3)可使用管芯上逻辑来执行管芯级内置测试以确定个体管芯的健康。344(4)可在封装之后对管芯执行类测试以确定个体管芯的健康。测试器344(1-4)可包括用于与彼此、系统级测试器360、预测电路370或其组合通信的收发机。在一些实施例中，测试器344(1-4)可与制造装备和测试器340的制造装备集成。

系统级测试器360可对半导体管芯350执行系统级验证测试，以确定半导体管芯350中的一者是否满足设计规范。在第一阶段期间，可训练预测电路370以基于来自制造装备和测试器340的测试器344(1-4)的测试数据以及来自系统级测试器360的测试数据来预测半导体管芯350中的每一个是否将通过系统级验证测试。在第二阶段期间，神经网络电路370可被用于进行通过/未通过确定。

在操作中，锭(未示出)可被分成训练晶片320和生产晶片322。在特定非限制性示例中，训练晶片320可包括第一端处的第一晶片、锭在纵向上的中途25％处的第二晶片、锭在纵向上的中途50％处的第三晶片、锭在纵向上的中途75％处的第四晶片、以及锭的第二端处的第五晶片。生产晶片322可包括来自锭的剩余晶片。在第一阶段(例如，训练阶段)期间，可使训练晶片320通过制造装备和测试器340，并且可经由系统级测试器360完全测试所得半导体管芯350，以确定每个个体终端产品是否通过系统级验证测试。来自制造装备和测试器340以及系统级测试器360的测试数据可被用于训练神经网络电路370。在第二阶段(例如，测试阶段)期间，可使生产晶片322通过制造装备和测试器340以提供所得半导体管芯350和所得测试数据。终端产品350中的每一个的所得测试数据可被提供至预测电路270，并且神经网络电路370可使用所得测试数据来确定半导体管芯350的每个个体终端产品是否通过系统级验证测试。使用神经网络电路370确定通过/未通过信息而非执行系统级验证测试可降低制造成本和时间。

在制作和组装期间，训练晶片320和生产晶片322中的每一个可在其被转换成相应的半导体管芯350时经历经由测试器344(1-4)的组装级测试。在第一阶段期间，系统级测试器360可对来自训练晶片320的半导体管芯350中的每一个执行系统级验证测试以确定通过或未通过信息。来自测试器344(1-4)的以及来自系统级测试器360的针对从训练晶片320产生的半导体管芯350中的每一个的测试数据可被提供至神经网络电路370。神经网络电路370可使用来自制造装备和测试器340以及系统级测试器360中的每一个的测试数据来训练神经网络电路370以预测给定半导体管芯350是否很可能通过系统级验证测试。

制造装备和测试器340可制作、组装和测试半导体管芯350。制作和组装可包括由制造装备执行的多个步骤。制造装备与测试器344(1-4)通信。测试器344(1-4)可执行组装级测试以在将训练晶片320和生产晶片322转换成半导体管芯350中在组装过程中的某些点处测量训练晶片320的特性。例如，344(1)可包括用于使用专用管芯间变化(idv)电路来沿晶片的划线测量晶片健康的晶片级测试，344(2)可在制作之后但在封装之前执行管芯级测试以确定每个个体管芯的健康，344(3)可使用管芯上逻辑来执行管芯级内置测试以确定个体管芯的健康，并且344(4)可在封装之后对管芯执行类测试以确定个体管芯的健康。

制造装备和测试器344(1-4)可包括用于将测试数据传送至神经网络电路370的收发机。测试数据可包括从测试导出的各种电参数，诸如泄漏电流、晶体管驱动强度、设备电容、晶体管性能(例如，由环形振荡器测试结构频率测量)、金属电阻、互连电容、半导体管芯150的各层的光学图像等。此外，专用电路可被包括在半导体管芯350中的每一个中以从半导体管芯350中的每一个收集与性能、功率和功能相关的数据。在一些示例中，像泄露电流、晶体管驱动强度以及晶体管阈值电压的电参数数据可趋向于分别与像时钟频率以及长期可靠性(如通过平均失效时间来测量)的性能度量相关。基于趋向于与系统级性能度量(例如，系统级通过/未通过)相关的参数的先验知识，本领域技术人员可预选此类输入参数来包括在用于神经网络训练的测试数据中以量化这些预选输入参数对将要预测的输出的依赖性。在一些实施例中，对特定参数的预选可能是不必要的(例如，替代地，可提供所有测试数据参数)，因为神经网络的训练可提供对个体输入参数权重的计算，从而量化个体输入参数中的每一个对将要预测的输出(例如，系统级通过/未通过)的依赖性。在一些示例中，制造装备和测试器340可进一步将其他遥测数据(诸如，环境数据或装备健康数据)传送至神经网络电路370。在第一阶段期间，神经网络电路370可使用测试数据、遥测数据或其组合来训练网络。制造装备和测试器340的制造装备和测试器344(1-4)可在组装过程期间进一步彼此通信遥测或与中央计算机或服务器通信遥测。遥测数据的通信可被用于在组装期间影响对制造装备342(1-n)或测试器344(1-4)的改变，诸如中央计算机或服务器改变制造装备342(1-n)、测试器344(1-4)、系统级测试器360、神经网络电路370或其组合中的一个或多个设置。在一些示例中，神经网络电路370可被包括在中央计算机或服务器中。

在第一阶段期间，系统级测试器360可对从训练晶片320产生的半导体管芯350执行系统级验证测试以做出通过/未通过确定。来自系统级测试器360的通过/未通过信息可被提供至神经网络电路370。神经网络电路370可使用来自测试器344(1-4)的测试和/或其他遥测数据连同来自系统级测试器360的测试数据来训练预测模型。训练可包括神经网络电路370标识来自制造装备和测试器340的导致来自系统级测试器360的通过指示的测试和/或其他遥测数据之间的相关性，并且可标识来自制造装备和测试器340的导致来自系统级测试器360的未通过指示的测试和其他数据之间的相关性。在一些实施例中，神经网络电路370的预测模型可包括神经网络，诸如双层感知器神经网络。

一旦神经网络电路370被训练，系统300便可进入第二阶段，其中神经网络电路370基于来自测试器344(1-4)的测试和其他数据来进行针对从生产晶片322产生的半导体管芯350中的个体的系统级通过/未通过确定。可实现神经网络电路370来确定终端产品350中的个体的通过或未通过，以代替经由系统级测试器360来执行全面的系统级验证测试。在一些示例中，神经网络电路370可直接提供针对每一个的通过或未通过。在其他示例中，当由神经网络电路370进行的预测通过或未通过的置信度落在针对特定半导体管芯350的阈值之外时，神经网络电路370可指示需要由系统级测试器360执行系统级验证测试。此外，神经网络电路370的预测模型可被随机更新(例如，随机选择附加引导单元来经历系统级验证测试)、定期更新(例如，定期选择附加引导单元来经历系统级验证测试)、或在制造装备和测试器340内部或周围的条件改变时更新。此外，可使用另一方法来训练神经网络电路370，诸如使用历史测试和通过/未通过数据。

在一些示例中，系统级测试器360可对从生产晶片322中的每一个产生的半导体管芯350的选择引导管芯执行系统级验证测试，并且可提供来自制造装备和测试器340以及系统级测试器360的测试数据以进一步训练神经网络电路370。可在生产晶片322中的每一个上的相同相对位置处选择引导管芯。例如，示例性晶片390标识出可用于生产晶片322的每个个体晶片的示例性引导管芯位置396。将理解，可使用其他位置以及更多或更少的引导管芯。390还标识出来自神经网络电路370的针对从390产生的每个管芯的示例性预测通过和未通过。如上所述的对引导管芯的选择可改进神经网络电路370的管芯间和晶片间相关性训练，这可改进神经网络电路370准确预测系统级验证测试的通过/未通过的能力。

在一些示例中，神经网络电路370可作为指令被存储在计算机或服务器的机器可读介质中，该指令可由一个或多个处理器单元执行以使用来自制造装备和测试器340以及系统级测试器360的数据进行训练，并使用来自制造装备和测试器340的数据提供用于半导体管芯350的通过/未通过预测。在另一示例中，神经网络电路370可被包括在系统级测试器360中。使用神经网络电路370的预测模型，代替经由系统级测试器360对半导体管芯350执行系统级测试可减少生产时间并降低生产成本。

图4例示出根据一些实施例的用于生成系统级验证预测的方法400。方法400可在图1的预测电路270、图2的预测电路270、图3的神经网络电路370或其组合中实现。

方法400可包括，在410处，在第一阶段期间，接收与第一多个终端产品中的每一个相关联的相应组装级测试数据和相应系统级验证测试数据。第一多个终端产品从多个训练单元产生。第一多个终端产品可以是以下中的任一者：图1的终端产品150、图2的终端产品250、图3的半导体管芯350、或其组合。该多个训练单元可包括：图1的训练单元120、图2的训练单元220、图3的训练晶片320、或其组合。组装级测试数据可从以下中的任一者接收：图1的制造装备和测试器140的测试器、测试器244(1-n)、图3的测试器344(1-4)、或其组合。系统级测试数据可从以下中的任一者接收：图1的系统级测试器160、图2的系统级测试器260、图3的系统级测试器360、或其组合。

方法400可进一步包括从测试器接收遥测数据。测试器可包括：图1的制造装备和测试器140的测试器或者系统级测试器160、图2的测试器244(1-n)或者系统级测试器260、图3的测试器344(1-4)或者系统级测试器360、或其组合。

方法400可包括，在420处，在第一阶段期间，使用与第一多个终端产品中的每一个相关联的相应组装级测试数据和系统级验证测试数据来训练预测电路的神经网络。方法400可进一步包括使用遥测数据来训练神经网络。遥测数据可包括环境数据或测试器健康数据。

方法400可包括，在430处，在第二阶段期间，接收与第二多个终端产品中的每一个相关联的相应组装级测试数据。第二多个终端产品从多个生产单元产生。第二多个终端产品可以是以下中的任一者：图1的终端产品150、图2的终端产品250、图3的半导体管芯350、或其组合。该多个生产单元可包括：图1的生产单元122、图2的生产单元222、图3的生产晶片322、或其组合。可从公共供给(诸如，图1的供给110)划分该多个训练单元和该多个生产单元。

方法400可进一步包括与多个测试器通信以接收与第一多个终端产品中的每一个相关联的相应组装级测试数据以及与第二多个终端产品中的每一个相关联的相应组装级测试数据。该多个测试器可包括：图1的制造装备和测试器140的测试器、图2的测试器244(1-n)、图3的测试器344(1-4)、或其组合。

方法400可包括，在440处，在第二阶段期间，基于相应组装级测试数据来使用神经网络确定针对第二多个终端产品中的每一个的系统级通过/未通过决策。

方法400可进一步包括：接收与第三多个终端产品中的每一个相关联的相应组装级测试数据和相应系统级验证测试数据，该第三多个终端产品从该多个生产单元产生；以及使用与第三多个终端产品中的每一个相关联的相应组装级测试数据和系统级验证测试数据来训练神经网络。第三多个终端产品可以是以下中的任一者：图1的终端产品150、图2的终端产品250、图3的半导体管芯350、或其组合。

图5例示出根据一些实施例的用于生成系统级验证预测的方法500。方法500可在图1的预测电路270、图2的预测电路270、图3的神经网络电路370或其组合中实现。

方法500可包括，在510处，在第一阶段期间，使用与第一多个半导体管芯中的每一个相关联的相应组装级测试数据和系统级验证测试数据来训练神经网络电路的神经网络，该第一多个半导体管芯从多个训练晶片产生。第一多个半导体管芯可以是以下中的任一者：图1的终端产品150、图2的终端产品250、图3的半导体管芯350、或其组合。该多个训练晶片可包括：图1的训练单元120、图2的训练单元220、图3的训练晶片320、或其组合。组装级测试数据可从以下中的任一者接收：图1的制造装备和测试器140的测试器、测试器244(1-n)、图3的测试器344(1-4)、或其组合。在一些实施例中，与第一多个半导体管芯中的每一个相关联的组装级测试数据包括晶片级测试数据和半导体管芯级测试数据。组装级测试数据可包括泄露电流、晶体管驱动强度、设备电容、晶体管性能、金属电阻、互连电容、光学图像或其组合。系统级测试数据可从以下中的任一者接收：图1的系统级测试器160、图2的系统级测试器260、图3的系统级测试器360、或其组合。

方法500可包括，在520处，在第二阶段期间，基于与第二多个半导体管芯中的每一个相关联的相应组装级测试数据来使用神经网络确定针对第二多个半导体管芯中的每一个的系统级通过/未通过决策，该第二多个半导体管芯从多个生产晶片产生。第二多个半导体管芯可以是以下中的任一者：图1的终端产品150、图2的终端产品250、图3的半导体管芯350、或其组合。该多个生产晶片可包括：图1的生产单元122、图2的生产单元222、图3的生产晶片322、或其组合。

方法500可进一步包括，在第二阶段期间，使用与第三多个半导体管芯中的每一个相关联的相应组装级测试数据和系统级验证测试数据来训练神经网络，该第三多个半导体管芯从该多个生产晶片中的每一个产生。第三多个半导体管芯可以是以下中的任一者：图1的终端产品150、图2的终端产品250、图3的半导体管芯350、或其组合。在一些实施例中，第三多个半导体管芯从该多个生产晶片中的每一个上的指定位置产生。在一些实施例中，第三多个半导体管芯从该多个生产晶片中的每一个上的公共指定位置产生。在一些实施例中，使用与第三多个半导体管芯中的每一个相关联的相应组装级测试数据和系统级验证测试数据来训练神经网络可包括确定晶片间的相关性。

图6是以计算机系统600的示例形式示出的机器的框图，根据示例实施例，该机器中有指令集或指令序列，这些指令集或序列能被执行以使该机器执行本文中讨论的方法中的任意一个方法。在替代实施例中，该机器作为独立设备进行操作，或可以被连接(如，联网)到其他机器。在被联网的部署中，该机器可在服务器-客户机网络环境中作为服务器或客户机来进行操作，或者其可在对等(或分布式)网络环境中充当对等机。该机器可以是个人计算机(pc)、平板pc、混合平板、服务器、或能够执行指定要由该机器采取的动作的指令(顺序地或以其他方式)的任何机器。此外，虽然仅示出单个机器，但是，术语“机器”也应当包括单独地或联合地执行一组(或多组)指令以执行本文所讨论的方法中的任何一种或更多种方法的机器的任意集合。类似地，术语“基于处理器的系统”应当被认为包括由处理器(例如，计算机)控制或操作以单独地或联合地执行指令来执行本文讨论的方法中的任何一种或多种方法的一个或多个机器的任意集合。

示例计算机系统600包括至少一个处理器单元602(例如，中央处理单元(cpu)、图形处理单元(gpu)或两者、处理器核、计算节点等)、主存储器604及静态存储器606，其通过链路608(例如，总线)彼此通信。计算机系统600可进一步包括视频显示单元610、字母数字输入设备612(例如，键盘)、以及用户界面(ui)导航设备614(例如，鼠标)。在一个实施例中，视频显示单元610、输入设备612及ui导航设备614被结合进触屏显示器中。计算机系统600可以附加地包括存储设备616(例如，驱动单元)、信号生成设备618(例如，扬声器)、网络接口设备620以及一个或多个传感器(未示出)，该传感器诸如全球定位系统(gps)传感器、罗盘、加速度计、陀螺仪、磁力计、或其他传感器。

存储设备616包括机器可读介质622，该机器可读介质622上储存有一组或多组数据结构和指令624(如，软件)，该一组或多组数据结构和指令624具体化本文所描述的方法或功能中的一者或多者，或者由本文中所描述的方法或功能中的一者或多者所利用。在由计算机系统600执行指令624期间，该指令624也可完全地或至少部分地驻留在主存储器604、静态存储器606内，和/或处理器单元602内，主存储器604、静态存储器606和处理器单元602也构成机器可读介质。

虽然机器可读介质622在示例实施例中被例示为单个介质，但术语“机器可读介质”可包括存储一条或多条指令624的单个介质或多个介质(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)。术语“机器可读介质”也应当被认为包括任何有形介质，该有形介质能够存储、编码或携带由机器执行并且使机器执行本公开的任何一种或多种方法的指令，或者能够储存、编码或携带被所述指令利用或与所述指令相关联的数据结构。术语“机器可读介质”应当相应地被认为包括，但不限于：固态存储器以及光和磁介质。机器可读介质的特定示例包括非易失性存储器，作为示例，包括但不限于：半导体存储器设备(例如，电可编程只读存储器(eprom)、电可擦除可编程只读存储器(eeprom))和闪存设备；诸如内部硬盘及可移动盘之类的磁盘；磁光盘；以及cd-rom和dvd-rom盘。

可使用传输介质，经由网络接口设备620，利用数个公知的传输协议(例如，http)中的任何一种协议，进一步在通信网络626上发送或接收指令624。通信网络的示例包括：局域网(lan)、广域网(wan)、因特网、移动电话网络、普通老式电话(pots)网络、以及无线数据网络(例如，蓝牙、wi-fi、3g、以及4glte/lte-a或wimax网络)。术语“传输介质”应当被认为包括能够存储、编码或携带由机器执行的指令的任何无形的介质，并且包括用于促进此类软件的通信的数字或模拟通信信号或者其他无形的介质。

上文已在功能方面对各种示例性组件、块、配置、模块和步骤进行了总体描述。技术人员可针对每个特定应用以不同方式实现所描述的功能，但是此类实现决策不应被解释为导致背离本公开的范围。

提供先前对所公开实施例的描述以使本领域技术人员能够制作或使用所公开实施例。对这些实施例的各种修改对于本领域技术人员是显而易见的，并且本文中所定义的通用原理可应用于其他实施例而不背离被公开的范围。因此，本公开不意图被限制于所示的实施例，而是符合与先前描述的原理和新颖特征一致的最宽泛的范围。

如本文中所描述的示例可包括逻辑或者多个组件、模块或机制，或可在逻辑或者多个组件、模块或机制上操作。模块是能够执行规定的操作的有形实体(例如，硬件)，并且可以以特定的方式来配置或布置。在示例中，能以规定的方式将电路(例如，内部地或者相对于诸如其他电路之类的外部实体)布置为模块。在示例中，软件可以驻留在至少一个机器可读介质上。

术语“模块”被理解为涵盖有形实体(无论此有形的实体是物理上构建的，是专门配置的(例如，硬线的)还是暂时地(例如、短暂地)经配置的(例如，经编程的))以便以指定的方式来操作，或者执行本文中描述的任何操作的至少部分。考虑模块被暂时地配置的示例，模块不必在任一时刻被实例化。例如，在模块包括使用软件而配置的通用硬件处理器的情况下，通用硬件处理器可以在不同时间被配置为相应的不同模块。软件可以相应地配置硬件处理器，例如以便在一个时间实例处构成特定的模块，并且在不同的时间实例处构成不同的模块。在本文中可扩展地使用术语“应用、进程或服务”或其变体以包括例程、程序模块、程序、组件等，并且可以在各种系统配置上实现“应用”或其变体，所述系统配置包括单处理器或多处理器系统、基于微处理器的电子设备、单核或多核系统、上述各项的组合，等等。因此，可使用术语“应用、进程或服务”来指软件的实施例，或者指用于执行本文中描述的任何操作的至少部分的硬件。

虽然机器可读介质可包括单个介质，但是术语“机器可读介质”可包括单个介质或多个介质(例如，集中式或分布式数据库、和/或相关联的高速缓存和服务器)。

附加注释与示例

示例1是一种用于生成系统级验证预测的设备，包括：包括神经网络的预测电路，该预测电路用于：在第一阶段期间：接收与第一多个终端产品中的每一个相关联的相应组装级测试数据和相应系统级验证测试数据，该第一多个终端产品从多个训练单元产生；以及使用与第一多个终端产品中的每一个相关联的相应组装级测试数据和系统级验证测试数据来训练神经网络；以及在第二阶段期间：接收与第二多个终端产品中的每一个相关联的相应组装级测试数据，第二多个终端产品从多个生产单元产生；以及基于相应组装级测试数据来使用神经网络确定针对第二多个终端产品中的每一个的系统级通过/未通过决策。

示例2中，示例1的主题任选地包括收发机，该收发机用于接收与第一多个终端产品中的每一个相关联的相应组装级测试数据以及与第二多个终端产品中的每一个相关联的相应组装级测试数据。

示例3中，示例2的主题任选地包括，其中收发机与多个测试器通信以接收与第一多个终端产品中的每一个相关联的相应组装级测试数据以及与第二多个终端产品中的每一个相关联的相应组装级测试数据。

示例4中，示例2-3中任意一项或多项的主题任选地包括，其中收发机进一步用于接收与第一多个终端产品中的每一个相关联的相应系统级测试数据。

示例5中，示例1-4中任意一项或多项的主题任选地包括，其中预测电路进一步用于从测试器接收遥测数据，其中对神经网络的训练进一步使用遥测数据。

示例6中，示例5的主题任选地包括，其中遥测数据包括环境数据或测试器健康数据。

示例7中，示例1-6中任意一项或多项的主题任选地包括，其中在第二阶段期间，该预测电路进一步用于：接收与第三多个终端产品中的每一个相关联的相应组装级测试数据和相应系统级验证测试数据，该第三多个终端产品从该多个生产单元产生；以及使用与第三多个终端产品中的每一个相关联的相应组装级测试数据和系统级验证测试数据来训练神经网络。

示例8中，示例1-7中任意一项或多项的主题任选地包括，其中从公共供给划分该多个训练单元和该多个生产单元。

示例9中，示例1-8中任意一项或多项的主题任选地包括，其中该多个生产单元包括半导体晶片且第二多个终端产品包括半导体管芯。

示例10是一种用于生成系统级验证预测的设备，包括：包括神经网络的神经网络电路，其中，在第一阶段期间，神经网络电路用于使用与第一多个半导体管芯中的每一个相关联的相应组装级测试数据和系统级验证测试数据来训练神经网络，第一多个半导体管芯从多个训练晶片产生，其中，在第二阶段期间，神经网络电路用于基于与第二多个半导体管芯中的每一个相关联的相应组装级测试数据来使用神经网络确定针对第二多个半导体管芯中的每一个的系统级通过/未通过决策，第二多个半导体管芯从多个生产晶片产生。

示例11中，示例10的主题任选地包括，其中在第二阶段期间，神经网络电路进一步用于使用与第三多个半导体管芯中的每一个相关联的相应组装级测试数据和系统级验证测试数据来训练神经网络，第三多个半导体管芯从该多个生产晶片中的每一个产生。

示例12中，示例11的主题任选地包括，其中第三多个半导体管芯从该多个生产晶片中的每一个上的指定位置产生。

示例13中，示例11-12中任意一项或多项的主题任选地包括，其中第三多个半导体管芯从该多个生产晶片中的每一个上的公共指定位置产生。

示例14中，示例13的主题任选地包括，其中使用与第三多个半导体管芯中的每一个相关联的相应组装级测试数据和系统级验证测试数据来训练神经网络包括神经网络确定晶片间的相关性。

示例15中，示例10-14中任意一项或多项的主题任选地包括，其中该多个训练晶片和该多个生产晶片是从公共的半导体材料锭切片的。

示例16中，示例10-15中任意一项或多项的主题任选地包括，其中与第一多个半导体管芯中的每一个相关联的组装级测试数据包括晶片级测试数据和半导体管芯级测试数据。

示例17中，示例10-16中任意一项或多项的主题任选地包括，其中组装级测试数据包括泄露电流、晶体管驱动强度、设备电容、晶体管性能、金属电阻、互连电容、光学图像或其组合。

示例18是一种用于生成系统级验证预测的方法，包括：在第一阶段：接收与第一多个终端产品中的每一个相关联的相应组装级测试数据和相应系统级验证测试数据，该第一多个终端产品从多个训练单元产生；以及使用与第一多个终端产品中的每一个相关联的相应组装级测试数据和系统级验证测试数据来训练预测电路的神经网络；以及在第二阶段期间：接收与第二多个终端产品中的每一个相关联的相应组装级测试数据，第二多个终端产品从多个生产单元产生；以及基于相应组装级测试数据来使用神经网络确定针对第二多个终端产品中的每一个的系统级通过/未通过决策。

示例19中，示例18的主题任选地包括与多个测试器通信以接收与第一多个终端产品中的每一个相关联的相应组装级测试数据以及与第二多个终端产品中的每一个相关联的相应组装级测试数据。

示例20中，示例18-19中任意一项或多项的主题任选地包括从测试器接收遥测数据，其中对神经网络的训练进一步使用遥测数据。

示例21中，示例20的主题任选地包括，其中遥测数据包括环境数据或测试器健康数据。

示例22中，示例18-21中任意一项或多项的主题任选地包括，接收与第三多个终端产品中的每一个相关联的相应组装级测试数据和相应系统级验证测试数据，该第三多个终端产品从该多个生产单元产生；以及使用与第三多个终端产品中的每一个相关联的相应组装级测试数据和系统级验证测试数据来训练神经网络。

示例23中，示例18-22中任意一项或多项的主题任选地包括，其中从公共供给划分该多个训练单元和该多个生产单元。

示例24中，示例18-23中任意一项或多项的主题任选地包括，其中该多个生产单元包括半导体晶片且第二多个终端产品包括半导体管芯。

示例25是包括指令的至少一种介质，指令在机器上被执行时使机器执行如示例18-24的方法中的任一项。

示例26是一种设备，包括用于执行如示例18-24的方法中的任一项的装置。

示例27是一种用于生成系统级验证预测的方法，包括：在第一阶段期间，使用与第一多个半导体管芯中的每一个相关联的相应组装级测试数据和系统级验证测试数据来训练神经网络电路的神经网络，第一多个半导体管芯从多个训练晶片产生，以及在第二阶段期间，基于与第二多个半导体管芯中的每一个相关联的相应组装级测试数据来使用神经网络确定针对第二多个半导体管芯中的每一个的系统级通过/未通过决策，该第二多个半导体管芯从多个生产晶片产生。

示例28中，示例27的主题任选地包括，其中在第二阶段期间，使用与第三多个半导体管芯中的每一个相关联的相应组装级测试数据和系统级验证测试数据来训练神经网络，第三多个半导体管芯从该多个生产晶片中的每一个产生。

示例29中，示例28的主题任选地包括，其中第三多个半导体管芯从该多个生产晶片中的每一个上的指定位置产生。

示例30中，示例28-29中任意一项或多项的主题任选地包括，其中第三多个半导体管芯从该多个生产晶片中的每一个上的公共指定位置产生。

示例31中，示例30的主题任选地包括，其中使用与第三多个半导体管芯中的每一个相关联的相应组装级测试数据和系统级验证测试数据来训练神经网络包括确定晶片间的相关性。

示例32中，示例27-31中任意一项或多项的主题任选地包括，其中与第一多个半导体管芯中的每一个相关联的组装级测试数据包括晶片级测试数据和半导体管芯级测试数据。

示例33中，示例27-32中任意一项或多项的主题任选地包括，其中组装级测试数据包括泄露电流、晶体管驱动强度、设备电容、晶体管性能、金属电阻、互连电容、光学图像或其组合。

示例34是包括指令的至少一种介质，指令在机器上被执行时使机器执行如示例27-33的方法中的任一项。

示例35是一种设备，包括用于执行如示例27-33的方法中的任一项的装置。

示例36是一种设备，包括：在第一阶段期间：用于接收与第一多个终端产品中的每一个相关联的相应组装级测试数据和相应系统级验证测试数据的装置，该第一多个终端产品从多个训练单元产生；以及用于使用与第一多个终端产品中的每一个相关联的相应组装级测试数据和系统级验证测试数据来训练预测电路的神经网络的装置；以及在第二阶段期间：用于接收与第二多个终端产品中的每一个相关联的相应组装级测试数据的装置，该第二多个终端产品从多个生产单元产生；以及用于基于相应组装级测试数据来使用神经网络确定针对第二多个终端产品中的每一个的系统级通过/未通过决策的装置。

示例37中，示例36的主题任选地包括用于与多个测试器通信以接收与第一多个终端产品中的每一个相关联的相应组装级测试数据以及与第二多个终端产品中的每一个相关联的相应组装级测试数据的装置。

示例38中，示例37的主题任选地包括用于从测试器接收遥测数据的装置，其中对神经网络的训练进一步使用遥测数据。

示例39中，示例38的主题任选地包括，其中遥测数据包括环境数据或测试器健康数据。

示例40中，示例36-39中任意一项或多项的主题任选地包括，用于接收与第三多个终端产品中的每一个相关联的相应组装级测试数据和相应系统级验证测试数据的装置，该第三多个终端产品从该多个生产单元产生；以及用于使用与第三多个终端产品中的每一个相关联的相应组装级测试数据和系统级验证测试数据来训练神经网络的装置。

示例41中，示例36-40中任意一项或多项的主题任选地包括，其中从公共供给划分该多个训练单元和该多个生产单元。

示例42中，示例36-41中任意一项或多项的主题任选地包括，其中该多个生产单元包括半导体晶片且第二多个终端产品包括半导体管芯。

示例43是一种设备，包括：在第一阶段期间，用于使用与第一多个半导体管芯中的每一个相关联的相应组装级测试数据和系统级验证测试数据来训练神经网络电路的神经网络的装置，该第一多个半导体管芯从多个训练晶片产生；以及在第二阶段期间，用于基于与第二多个半导体管芯中的每一个相关联的相应组装级测试数据来使用神经网络确定针对第二多个半导体管芯中的每一个的系统级通过/未通过决策的装置，该第二多个半导体管芯从多个生产晶片产生。

示例44中，示例43的主题任选地包括，其中在第二阶段期间，用于使用与第三多个半导体管芯中的每一个相关联的相应组装级测试数据和系统级验证测试数据来训练神经网络的装置，该第三多个半导体管芯从该多个生产晶片中的每一个产生。

示例45中，示例44的主题任选地包括，其中第三多个半导体管芯从该多个生产晶片中的每一个上的指定位置产生。

示例46中，示例44-45中任意一项或多项的主题任选地包括，其中第三多个半导体管芯从该多个生产晶片中的每一个上的公共指定位置产生。

示例47中，示例46的主题任选地包括，其中用于使用与第三多个半导体管芯中的每一个相关联的相应组装级测试数据和系统级验证测试数据来训练神经网络的装置包括用于确定晶片间的相关性的装置。

示例48中，示例43-47中任意一项或多项的主题任选地包括，其中与第一多个半导体管芯中的每一个相关联的组装级测试数据包括晶片级测试数据和半导体管芯级测试数据。

示例49中，示例43-48中任意一项或多项的主题任选地包括，其中组装级测试数据包括泄露电流、晶体管驱动强度、设备电容、晶体管性能、金属电阻、互连电容、光学图像或其组合。

上述详细描述包括参照附图，附图形成详细描述的一部分。附图通过图示方式示出可被实施的具体实施例。在本文中，这些实施例也被称为“示例”。此类示例可包括除所示或所述元件以外的元件。然而，也构想出包括所示和所述元件的示例。此外，还构想了或者参考特定的示例(或其一个或多个方面)，或者参考本文所示或所述的其它示例(或其一个或多个方面)，使用所示或所述的那些元件(或其一个或多个方面)的任意组合或排列的示例。

本文献中所涉及的公开、专利、和专利文献通过引用整体结合于此，好像通过引用单独地被结合进来一样。在本文献和通过引用所结合的那些文献之间存在不一致的用法的情况下，在所结合的引用中的用法应当被认为是对本文献的用法的补充；对于不可调和的不一致，以本文献中的用法为准。

在本文档中，术语“一”或“一个”正如在专利文件中常见的那样用于包括一个或一个以上，与“至少一个”或“一个或多个”的任何其它示例或使用无关。在本文献中，术语“或”用于指示非排他性的或，使得“a或b”包括“a而非b”、“非a”以及“a和b”，除非另外指示。在所附权利要求中，术语“包括(including)”和“其中(inwhich)”分别用作简明英语中术语“包括(comprising)”和“其中(wherein)”的等价词。并且，在一些权利要求书中，术语“包括”和“包含”是开放式的，即，系统、设备、制品或过程包括除之后列出的那些元素之外的元素，在权利要求中的这种术语仍然被视为落在权利要求的范围之内。此外，在所附权利要求书中，术语“第一”、“第二”及“第三”等仅用作标记，而不旨在对他们的对象表明数值次序。

上述描述旨在是示例性而非限制性的。例如，上述示例(或其一个或多个方面)可彼此组合地使用。诸如由本领域普通技术人员在仔细阅读以上描述之后实施的其他实施例也可以被使用。摘要用于允许读者快速地确认本技术公开的性质，并且提交此摘要需理解：它不用于解释或限制权利要求书的范围或含义。此外，在以上具体实施方式中，各种特征可共同成组以使本公开流畅。然而，权利要求可以不陈述本文中公开的特征，因为实施例可以包括所述特征的子集。进一步地，实施例可包括比特定示例中所公开的那些特征更少的特征。因此，所附权利要求书由此被结合到具体实施方式中，一项权利要求作为单独的实施例而独立存在。本文中所公开的实施例的范围应当参照所附权利要求书连同此类权利要求所赋予权利的等价方案的完整范围来确定。