用于准确地量化目标样本的组成的系统和方法与流程

本文中的实施例总体涉及量化目标样本的组成，并且具体涉及一种用于增强量化目标样本的组成的准确度的系统和方法。

背景技术：

对存储在源(例如罐或者管线等)中的气体混合物的组成的量化是具挑战性的任务。对源中的气体混合物的组成的量化可以帮助确定气体混合物的组成是否超过阈值水平。通常地，使用质谱仪来量化气体混合物的组成。质谱仪可以产生签名，在该签名中各离子确切地对应于其质荷比(即m/z值)而出现。质谱仪还可以产生如下的签名，其中各离子确切地对应于其无量纲整数值作为宽度脉冲出现并且高度对应于其分子分数。质谱仪通常地显示许多非理想因素。

质谱仪可以以不同的相对速率使不同的气体离子化。不同的气体的离子可以成碎片并且可以以各种质荷比(即m/z)出现。以各种质荷比的碎片离子被传输到检测器。离子的碎片化针对一个气体可以是恒定。离子的碎片化可以从标准参考数据库获得。碎片离子的各个峰通常地包括非零宽度以及可能地取决于质荷比的非对称形状。由于碎片离子的峰基于质谱仪而被指定，因而碎片离子的峰在不同种类的仪器中是变化的。噪声可以由于不可避免的自然原因(例如，耦合、散粒噪声、热噪声、机械缺陷和振动)被添加到量化系统中的各个点的签名中。

用于解决一个或多个非理想因素的一种方法包含基于从质谱仪获得的数据将卷积光谱去卷积。然而，该方法未能最佳地移除质谱仪的输出处的噪声并且未能移除随机变化。在另一方法中，针对候选组成集中的各候选生成理论的各向同性质谱。该方法未能在生成各向同性质谱的同时减少估计误差。根据又一方法，分子峰的比率被用于重叠峰。然而，这未能减少有效的噪声基底。

技术实现要素：

因此，需要一种能够解决上述的噪声、估计误差和随机变化的问题并提供增加的准确度的、用于量化目标样本的组成的系统和方法。

本发明的一方面是一种用于基于第一类型的传感器针对目标样本的扫描输出来量化所述目标样本的组成的系统。扫描输出包括与目标样本相对应的检测到的离子的作为质荷比的函数的光谱。系统包括参考数据库、自定义数据库和模块集。所述参考数据库存储与所述目标样本的标准碎片化和电离电位有关的标准参考数据。所述自定义数据库存储使用所述第一类型的传感器所确定的所述目标样本的碎片化信息和电离电位。所述模块集包括分析模型创建模块、样本处理模块、分子分数估计模块、分析模型优化模块和目标组成估计模块。

所述分析模型创建模块被配置为使用所述第一类型的传感器的校准数据和所述标准参考数据创建所述第一类型的传感器的分析模型。所述分析模型是所述第一类型的传感器的数学模型。所述校准数据包括与针对所述标准参考数据所校准的分析模型有关的数据。所述样本处理模块被配置为在标准压力条件下使用所述第一类型的传感器来处理包括准确已知的组成的多个样本。所述分子分数估计模块被配置为使用估计方法和所述第一类型的传感器的分析模型来估计所述多个样本的分子分数。所述分析模型优化模块被配置为通过将所述多个样本的分子分数与所述多个样本的预定分子分数相比较来优化所述第一类型的传感器的分析模型。所述目标组成估计模块被配置为使用利用了所述第一类型的传感器的经优化的分析模型的所述估计方法，基于从所述第一类型的传感器获得的目标样本的扫描输出来估计所述目标样本的组成。

系统(目标组成估计系统)可以被用于量化目标样本(例如气体混合物)的组成并且基于来自第一类型的传感器的输出来解决逆向问题。系统可以被用于对不同的质荷比(例如m/z)分配优先级以改进目标样本的组成的准确度。系统可以被用于在不明确地列举所有气体的情况下解决逆向问题。系统可以用于针对所有气体同时地量化目标样本的组成。系统在不明确地对峰进行去卷积的情况下解决逆向问题。目标样本的碎片之间的相关性可以被用于改进目标样本的包括低浓度和噪声鲁棒性的定量准确度。系统可以被用于对溶体中的目标样本分配优先级。对目标样本的质荷比分配优先级以改进期望的气体的准确度。

所述分析模型优化模块可以包括被配置为通过使用用于处理多个样本的样本处理模块并且间歇地将所述多个样本的分子分数与所述多个样本的预定分子分数相比较来间歇地对所述第一类型的传感器的现有分析模型进行优化以实现准确度增加的单元。所述分析模型优化模块可以被配置为请求分析模型优化服务器对所述第一类型的传感器的分析模型进行优化。

所述第一类型的传感器可以包括用于电离所述目标样本的单元和用于基于离子的质荷比将离子分类的单元。所述第一类型的传感器之一是光谱类型传感器。所述第一类型的传感器之一是质谱仪。所述系统可以包括所述第一类型的传感器。

所述分子分数估计模块可以包括被配置为使用包括非负最小二乘估计方法的估计方法来估计所述多个样本的分子分数的单元。所述分析模型优化模块可以被配置为使用以下各项中的任一项优化方法创建所述第一类型的传感器的经优化的分析模型：(a)线性最小二乘优化技术、(b)非线性最小二乘优化技术、以及(c)机器学习技术。所述分析模型创建模块可以包括：(a)碎片化模块，其被配置为使所述目标样本的光谱图案成碎片；(b)电离确定模块，其被配置为确定所述目标样本的相对电离电位；(c)传输确定模块，其被配置为计算各质荷比处所述目标样本的传输效率；和(d)峰形分析模块，其被配置为展开信号并且分析信号的非理想峰形，其中，当离子的峰与具有不同的质荷比的另一离子的峰重叠时使信号中的低分辨率效应展开。

所述第一类型的传感器的分析模型可以包括：(a)目标样本的碎片光谱图案、(b)目标样本的相对电离电位、(c)目标样本的传输效率和(d)第一类型的传感器处的信号的非理想峰形。所述目标样本可以包括气体混合物、液体、固体和生物对象。

所述系统还可以包括：存储器，其存储所述参考数据库、所述自定义数据库和所述模块集；以及处理器，其执行所述模块集。

本发明的另一方面是一种包括所述系统所执行的量化的方法，所述量化用于基于第一类型的传感器针对目标样本的扫描输出来量化所述目标样本的组成。所述系统包括参考数据库和自定义数据库。所述量化包括以下步骤：(i)使用所述第一类型的传感器的校准数据和标准参考数据来创建所述第一类型的传感器的分析模型，所述分析模型是所述第一类型的传感器的数学模型并且所述校准数据包括与针对所述标准参考数据所校准的分析模型有关的数据；

(ii)在标准压力条件下使用所述第一类型的传感器来处理包括准确已知的组成的多个样本；

(iii)使用估计方法和所述第一类型的传感器的分析模型来估计所述多个样本的分子分数；

(iv)通过将所述多个样本的分子分数与所述多个样本的预定分子分数相比较来优化所述第一类型的传感器的分析模型；以及

(v)使用利用了所述第一类型的传感器的经优化的分析模型的所述估计方法，基于从所述第一类型的传感器获得的目标样本的扫描输出来估计所述目标样本的组成。

优化的步骤可以包括通过处理多个样本并且间歇地将所述多个样本的分子分数与所述多个样本的预定分子分数相比较来间歇地对所述第一类型的传感器的现有分析模型进行优化以实现准确度增加。优化的步骤可以包括请求分析模型优化服务器对所述第一类型的传感器的分析模型进行优化。

所述估计方法包括非负最小二乘估计方法。优化的步骤可以包括使用以下各项中的任一项来优化所述第一类型的传感器的分析模型：(a)线性最小二乘优化技术、(b)非线性最小二乘优化技术、以及(c)机器学习技术。

创建的步骤可以包括：(a)使所述目标样本的光谱图案成碎片；(b)确定所述目标样本的相对电离电位；(c)计算各质荷比处所述目标样本的传输效率；和(d)展开信号并且分析信号的非理想峰形，其中，当离子的峰与具有不同的质荷比的另一离子的峰重叠时使信号中的低分辨率效应展开。

本发明的又一方面是一种计算机程序(计算机程序产品)，包括用于计算机作为上文所描述的系统进行操作的指令。所述程序(程序产品)可以被供应为存储在存储介质中。

结合以下描述和附图，将更好地领会并且理解本文中的实施例的这些和其它方面。然而，应当理解，虽然指示了优选的实施例和其许多特定细节，但是以下描述以说明性而非限制的方式给出。可以在不脱离本发明的精神的情况下在本文中的实施例的范围内做出许多改变和修改，并且本文中的实施例包括所有这样的修改。

附图说明

将参考附图根据以下详细描述更好地说明本文中的实施例，其中：

[图1]图1图示了根据本发明的实施例的用于使用第一类型的传感器量化包括目标样本的源的组成的系统；

[图2]图2图示了根据本发明的实施例的图1的目标组成估计系统的分解图；

[图3]图3是根据本发明的实施例的示出用于生成用于图1的第一类型的传感器的经优化的分析模型的过程的流程图；

[图4]图4是根据本发明的实施例的示出基于来自第一类型的传感器的目标样本的扫描输出对目标样本的组成进行估计的流程图；

[图5]图5是根据本发明的实施例的示出从图1的第一类型的传感器处的噪声提取峰的图形表示；

[图6]图6是根据本发明的实施例的示出用于使用图1的目标组成估计系统量化目标样本的组成的方法的流程图；

[图7]图7图示了根据本发明的实施例的第一类型的传感器(质谱仪)的透视图；以及

[图8]图8图示了根据本发明的实施例的系统的计算机架构的示意图。

具体实施方式

本文中的实施例以及其各种特征和有利细节参考在附图中图示并且在以下描述中详述的非限制性实施例中得到更充分地解释。众所周知的部件和处理技术的描述被省略以便不会使本文中的实施例不必要地模糊。本文中使用的示例仅旨在促进对可以实践本文中的实施例的方式的理解并且进一步使得本领域的技术人员能够实践本文中的实施例。因此，示例不应当被解释为限制本文中的实施例的范围。

如所提到的，存在对于上述解决噪声、估计误差和随机变化的问题并且提供增加的准确度的、用于量化目标样本的组成的经改进的系统和方法的需要。本文中的实施例通过提供创建第一类型的传感器的分析模型的目标组成估计系统实现这一点。目标组成估计系统进一步使用线性或者非线性最小二乘优化技术和机器学习技术来增强第一类型的传感器的分析模型。目标组成估计系统使用利用了第一类型的传感器的经优化的分析模型和非负最小二乘估计方法的估计方法基于来自第一类型的传感器的目标样本的扫描输出来量化目标样本的组成。现在参考附图并且更特别地参考图1到图8，其中，相似的附图标记在所有附图中一致地表示对应的特征，示出了优选的实施例。

图1示出了根据本发明的实施例的用于使用第一类型的传感器104量化包括目标样本的源102的组成的系统。本发明的系统可以包括源102、第一类型的传感器104和目标组成估计系统106。本发明的系统可以包括第一类型的传感器104和目标组成估计系统106。本发明的系统可以包括目标组成估计系统106。源102包括目标样本。在实施例中，目标样本是气体混合物、液体、固体、生物对象等。目标组成估计系统106可以电气连接到第一类型的传感器104。第一类型的传感器104生成针对目标样本的扫描输出。扫描输出包括与所述目标样本相对应的检测到的离子的作为质荷比的函数的光谱。在实施例中，第一类型的传感器104包括质谱仪传感器和/或光谱类型传感器(例如质谱仪、拉曼分光计、吸收分光计或者振动分光计)。在实施例中，在美国专利9,666,422中公开了第一类型的传感器104的一个示例。目标组成估计系统106使用第一类型的传感器104的校准数据(即与针对标准参考数据所校准的分析模型有关的测量数据)和标准参考数据创建第一类型的传感器104的分析模型。分析模型是第一类型的传感器104的数学模型，其(a)电离目标样本并且(b)基于离子的质荷比(m/z)将离子分类。例如，第一类型的传感器104的分析模型可以包括：目标样本的碎片图案、目标样本的相对电离电位、目标样本的传输效率和第一类型的传感器104处的信号的非理想峰形。目标组成估计系统106在标准压力条件下使用第一类型的传感器104来处理包括准确已知的组成的不同样本(例如气体混合物)。目标组成估计系统106使用估计方法和第一类型的传感器104的分析模型来估计不同样本的分子分数。估计方法可以包括非负最小二乘估计方法。

目标组成估计系统106使用以下各项中的任一项、通过将不同样本的分子分数与不同样本的预定分子分数相比较来进一步优化第一类型的传感器104的分析模型以获得优化的分析模型：(a)线性最小二乘优化技术、(b)非线性最小二乘优化技术、以及(c)机器学习技术。目标组成估计系统106进一步使用利用了第一类型的传感器104的经优化的分析模型和优化方法的估计方法、基于从第一类型的传感器104获得的目标样本的扫描输出来估计目标样本的组成。在实施例中，优化方法是非负最小二乘优化方法、高斯牛顿优化方法、列文伯格-马夸尔特(levenberg-marquardt)优化方法或者信任区域反射优化技术。目标组成估计系统106可以利用增强的分析模型来替换分析模型。目标组成估计系统106可以是计算机、移动电话、pda(个人数字助理)、平板电脑、电子笔记本或者智能电话。在实施例中，第一类型的传感器104被嵌入在目标组成估计系统106中。系统视图还可以包括与目标组成估计系统106通信的分析模型优化服务器。在实施例中，目标组成估计系统106间歇地请求分析模型优化服务器优化第一类型的传感器104的分析模型。

图2示出了根据本发明的实施例的图1的目标组成估计系统106的分解图。系统106的分解图包括参考数据库202、自定义数据库204、分析模型创建模块206、样本处理模块208、分子分数估计模块210、分析模型优化模块212和目标组成估计模块214。分析模型创建模块206创建第一类型的传感器104的分析模型。分析模型创建模块206包括碎片化模块206a、电离确定模块206b、传输确定模块206c和峰形分析模块206d。参考数据库202存储与目标样本(例如气体混合物)的标准碎片化和电离电位有关的数据。自定义数据库204存储使用第一类型的传感器104所确定的目标样本的碎片化信息和电离电位。碎片化模块206a使目标样本的光谱图案成碎片。电离确定模块206b确定目标样本的相对电离电位。传输确定模块206c计算各质荷比(m/z)处的目标样本的传输效率。峰形分析模块206d展开信号(例如低分辨率效应)并且分析信号的非理想峰形。在实施例中，当离子的峰与具有不同的质荷比(m/z)的另一离子的峰重叠时展开信号中的低分辨率效应。

样本处理模块208在标准压力条件下使用第一类型的传感器104处理包括准确已知的组成的不同样本。分子分数估计模块210使用估计方法和第一类型的传感器104的分析模型来估计不同样本的分子分数。在实施例中，估计方法包括非负最小二乘估计方法。分析模型优化模块212使用以下各项中的任一项、通过将不同样本的分子分数与不同样本的预定分子分数相比较来优化第一类型的传感器104的分析模型：(a)线性最小二乘优化技术、(b)非线性最小二乘优化技术、以及(c)机器学习技术。目标组成估计模块214使用利用了第一类型的传感器104的分析模型和优化方法的估计方法基于从第一类型的传感器104获得的目标样本的扫描输出来估计目标样本的组成。目标组成估计系统106的分解图还包括分析模型替换模块216。分析模型替换模块216将分析模型替换为优化的分析模型。

在实施例中，分析模型优化模块212可以请求分析模型优化服务器优化第一类型的传感器104的分析模型。分析模型优化服务器间歇地与目标组成估计系统106通信。分析模型优化服务器可以使用以下各项中的任一项通过将不同样本的分子分数与不同样本的预定分子分数相比较来第一类型的传感器104的分析模型：(a)最小二乘优化技术、(b)非线性最小二乘优化技术、以及(c)机器学习技术。

在实施例中，生成表示各种模型组件的矩阵。分析具有“g”种气体的样本集和涉及对应于“m”个不同的整数值的“s”个不同的质荷比点的第一类型的传感器104的扫描输出。矩阵按照下表。

[表1]

目标组成估计系统106使用矩阵来检测目标样本的组成，所述矩阵可以被表示为：

[数学式1]

y＝p×diag(t)×c×diag(r)×x

其中，x是最小二乘解。

图3是根据本发明的实施例的示出用于使用标准机器学习技术生成图1的用于提高准确性的第一类型的传感器104的经优化的分析模型的过程的流程图。在步骤302处，使用第一类型的传感器104的校准数据(例如标准表征数据)301和标准参考数据202来创建第一类型的传感器104的分析模型。在预定条件或者标准压力条件下使用第一类型的传感器104来处理不同样本的已知组成(例如，当第一类型的传感器104是使用的质谱仪时，在受控的压力条件下来处理不同样本的已知组成)。使用利用了第一类型的传感器104的分析模型的估计方法来估计不同样本的分子分数(例如估计的输出)。在实施例中，估计方法包括非负最小二乘估计方法。在步骤303处，使用以下各项中的任一项可以将估计的分子分数与标准输出相比较以优化第一类型的传感器104的分析模型：(a)线性最小二乘优化技术、(b)非线性最小二乘优化技术、以及(c)机器学习技术。在实施例中，第一类型的传感器104的分析模型304的优化导致一个或多个“b”矩阵(p-表示峰形的卷积矩阵、t-各整数质荷比(m/z)处的传输效率、r-各气体的相对电离电位、c-表示整数m/z值处的各气体的理想化响应的参考光谱)。矩阵“b”或者p、t、c、r矩阵从原始值被扰乱到最佳地表示不同样本的已知组成的扫描输出的值集。在实施例中，使用线性优化方法(例如非负最小二乘优化方法)来优化矩阵“b”(例如包括p、c、t和r矩阵的整体矩阵)。在实施例中，通过使用非线性优化器的非线性优化方法来优化(例如高斯牛顿、列文伯格-马夸尔特优化方法或者信任区域反射优化方法的约束版本)来对个体矩阵(例如矩阵p、c、t和r当中的矩阵中的任一个)进行优化。

图4是根据本发明的实施例的示出基于来自第一类型的传感器104的目标样本的扫描输出估计目标样本的组成的流程图。在步骤402处，获得来自第一类型的传感器104的目标样本的扫描输出。在步骤404处，使用第一类型的传感器104的校准数据和标准参考数据来创建第一类型的传感器104的分析模型。在步骤406处，使用利用了第一类型的传感器104的分析模型和非负最小二乘优化方法的估计方法405基于来自第一类型的传感器104的目标样本的扫描输出来估计目标样本的组成。

最小二乘解被定义为x＝argmin(||y’-y(x)||2)|，使得对于所有i而言，xi>0。普通最小二乘(ols)回归的线性代数技术提供具有负值的最小二乘解。非负最小二乘估计方法可以被用于找到非负最佳解(nnls)。估计的最小二乘解被计算为xest＝nnls(b,y’)，其中，(y’)是包括来自第一类型的传感器104的噪声的扫描。在实施例中，非负最小二乘估计方法被定义如下：

输入：

[数学式2]

m×n维的实数值矩阵a

m维的实数值向量y

实数值t，其为停止标准的容差

初始化：

[数学式3]

设置p＝

设置r＝{1……,n}

将x设置为n维全零向量

设置w＝a(y-ax)

主循环:当r≠且max(w)>t时,

[数学式4]

使j为max(w)在w中的索引

将j添加至p

将j从r移除

使a^p为被限制于p中所包括的变量的a

使s^p＝((a^p)a^p)^-1(a^p)y

当min(s^p)≤0时：

针对p中的i，使α＝min(xi/xi-si)，其中si≤0

将x设置为x+α(s-x)

移动至r，所有索引j在p中，使得xj＝0

设置s^p＝((a^p)a^p)^-1(a^p)y

将s^r设置为零

将x设置为s

将w设置为a(y-ax)

估计方法可以使用最小二乘最优性来最佳地抑制随机噪声。在实施例中，矩阵(y-测量光谱、p-表示峰形的卷积矩阵、t–各整数质荷比(m/z)处的传输效率、r-用于各气体的相对电离电位、c-表示整数m/z值处的各气体的理想化响应的参考光谱并且m-气体分子分数)被输入到非负最小二乘估计方法以使信息与矩阵相关来估计目标样本的组成。

图5是根据本发明的实施例的、示出从图1的第一类型的传感器104处的噪声提取峰的图形表示。图形示出了从噪声提取信号的峰形。图形表示示出了指示对与其它峰相关地隐藏在噪声中的峰的分离的虚线502(例如第一类型的传感器104的分析模型的输出)。在实施例中，线504指示向量“y”，并且虚线502指示“yxh”。“xh”可以指示估计方法的输出。

图6是根据本发明的实施例的、示出用于使用图1的目标组成估计系统106来量化目标样本(例如气体混合物)的组成的方法的流程图。在步骤602处，使用第一类型的传感器104的校准数据和标准参考数据来创建第一类型的传感器104的分析模型。在实施例中，可以基于与成碎片的目标样本有关的信息和使用第一类型的传感器104确定的目标样本的相对电离电位创建第一类型的传感器104的分析模型。在步骤604处，在预定条件或者标准压力条件下使用第一类型的传感器104来处理包括准确已知的组成的不同样本。在步骤606处，使用估计方法和第一类型的传感器104的分析模型来估计不同样本的分子分数。在实施例中，估计方法包括非负最小二乘估计方法。在步骤608处，使用以下各项中的任一项、通过将不同样本的分子分数与不同样本的预定分子分数(例如不同的样本的期望分子分数)相比较来优化第一类型的传感器104的分析模型：(a)线性最小二乘优化技术、(b)非线性最小二乘优化技术、以及(c)机器学习技术。在步骤610处，使用利用了第一类型的传感器104的分析模型和优化方法的估计方法基于从第一类型的传感器104获得的目标样本的扫描输出来估计目标样本的组成。在实施例中，优化方法是非负最小二乘优化方法、高斯牛顿优化方法、列文伯格-马夸尔特优化方法或者信任区域反射优化技术。可以基于矩阵来处理非负最小二乘优化方法(y-测量光谱、p-表示峰形的卷积矩阵、t-各整数质荷比(m/z)处的传输效率、r-各气体的相对电离电位、c-表示整数m/z值处的各气体的理想化响应的参考光谱、以及m-气体分子分数)。

示例

目标组成估计系统106在从1质荷比(m/z)到10m/z的范围内以0.5m/z的分辨率(即s＝20和m＝10)获得三个气体样本的扫描输出，以量化气体样本的组成。例如，三个气体样本(例如g＝3)被认为具有以下相对碎片图案。[数学式5]

气体1(g1)：在4m/z处为50％，在2m/z处为25％，在1m/z处为25％，

气体2(g2)：在8m/z处为20％，在4m/z处为60％，在2m/z处为20％，

气体3(g3)：在10m/z处为15％，在6m/z处为70％，在4m/z处为15％，

对应于碎片图案的c矩阵(即，表示各m/z值处的各气体的理想化响应的参考光谱)给定为：

[数学式6]

在实施例中，识别三个气体样本的碎片图案在相同质荷比处的重叠。矩阵r(即，三个气体样本的相对电离电位)被认为分别是1、1.5和2，这导致：

[数学式7]

三个气体样本在各质荷比处的传输效率(t)被假定为：

[数学式8]

t〔1111.211.21.11.11.11.1〕

简单恒定宽度的峰值模型被用于针对三个气体样本中的各气体样本将质荷比峰展开为两个相邻非整数质荷比。矩阵p被给定为：

[数学式9]

分析模型可以由矩阵“b”提供，其中，

[数学式10]

b＝p×diag(t)×c×diag(r)

在示例实施例中，针对20％的g1、50％的g2和30％的g3的假设气体组成的期望的扫描输出/向量(y)是

[数学式11]

大量的随机噪声(例如最小信号峰值高度的约20％)被添加到目标组成估计系统106的噪声中(即，通过添加随机噪声模拟存在于系统中的噪声)来获得经调节的扫描输出/向量(yn)如下：

[数学式12]

使用利用了上述分析模型的估计方法处理经调节的扫描输出，以提供假设气体的分子分数(例如在计算20％添加噪声的分子分数中的3％误差)，给出如下。

[数学式13]

xh＝〔0.20582101，0.496356230.29782277〕

由本发明的实施例所提供的技术可以被实现在集成电路芯片(未示出)上。芯片设计以图形计算机编程语言来创建，并且被存储在计算机存储介质(诸如磁盘、磁带、物理硬盘驱动器或者诸如存储访问网络中的虚拟硬盘驱动器)中。如果设计者不制作芯片或者不制作被用于制作芯片的光刻用掩模，则设计者通过物理手段(例如，通过提供存储设计的存储介质的副本)或者电子方式(例如，通过因特网)直接地或者间接地将最终设计传输到这样的实体。

存储的设计然后被转换为用于光刻掩模的制作的适当的格式(例如，gdsii)，其通常地包括将被形成在晶圆上的所讨论的芯片设计的多个副本。光刻掩模被用于定义待蚀刻或者以其它方式处理的晶圆的区域(和/或其上的层)。

可以由制作者以未加工晶圆形式(即，作为具有多个未封装芯片的单个晶圆)、作为裸片或者以封装形式分布最终的集成电路芯片。在后者的情况下，芯片被安装在单芯片封装中(诸如塑料载体，以及被添加到主板或者其它高级载体的导线)或者在多芯片封装中(诸如具有任一个或两个表面互连或者埋入互连的陶瓷载体)。在任何情况下，芯片然后与其它芯片、分立电路元件和/或其它信号处理设备集成作为(a)中间产品(例如主板)或者(b)最终产品的一部分。最终产品可以是包括集成电路芯片的任何产品，从玩具和其它低端应用到具有显示器、键盘或者其它输入设备和中央处理器的高级计算机产品。

本文中的实施例可以采取完全硬件实施例、完全软件实施例或者包括硬件元件和软件元件二者的实施例的形式。在软件中实现的实施例包括但不限于固件、常驻软件、微代码等。而且，本文中的实施例可以采取从提供用于通过使用或者结合计算机或者任何指令执行系统的程序代码的计算机可用或计算机可读介质可访问的计算机程序产品的形式。出于该描述的目的，计算机可用或者计算机可读存储介质可以是可以包括存储、传递、传播或者传输用于通过或者结合指令执行系统、装置或者设备使用的程序的任何装置。

介质可以是电子、磁性、光学、电磁、红外或者半导体系统(或者装置或者设备)或者传播介质。计算机可读介质的范例包括半导体或者固态存储器、磁带、可移除的计算机磁盘、随机存取存储器(ram)、只读存储器(rom)、刚性磁盘和光盘。光盘的当前示例包括光盘-只读存储器(cd-rom)、光盘-读/写(cd-r/w)和dvd。

适于存储和/或执行程序代码的数据处理系统将包括通过系统总线直接地或间接地耦合到存储器元件的至少一个处理器。存储器元件可以包括在程序代码、大容量存储和高速缓存存储器的实际执行期间采用的本地存储器，其提供至少一些程序代码的暂时存储以便减少代码在执行期间必须从大容量存储检索的次数。

输入/输出(i/o)设备(包括但不限于键盘、显示器、指点设备、遥控器等)可以直接地或者通过中介i/o控制器被耦合到系统。网络适配器还可以被耦合到系统以使得数据处理系统能够变得通过介于中间的私有或公共网络耦合到其它数据处理系统或者远程打印机或者存储设备。调制解调器、电缆调制解调器和以太网卡仅是几个当前可用类型的网络适配器。

图7图示了根据本发明的实施例的第一类型的传感器104(质谱仪)的透视图。第一类型的传感器104包括目标样本702、电子枪704、电磁铁706、离子束708和离子检测器710。待电离的目标样本702从源102获得。电子枪704通过向被电离粒子添加或从被电离粒子移除电子来电离目标样本702中的粒子。电子枪704使用电子电离过程来电离汽化或者气体粒子。第一类型的传感器104中的电磁铁706产生电或磁场来测量带电粒子的质量(即，重量)。磁场根据其动量将离子分离(即，由磁场施加的力何以被用于根据其质量将离子分离)。分离的离子通过质量分析器被靶向到离子检测器710上。在实施例中，碎片的质量的差异允许质量分析器使用离子的质荷比将离子分类。离子检测器710测量指标数量的值并且因此提供用于计算存在于目标样本702中的各离子的丰度的数据。离子检测器710记录当离子经过或者命中表面时感应的电荷或者产生的电流。在实施例中，质谱被显示在目标组成估计系统106中。

在图8中描绘了用于实践本发明的实施例的代表性硬件环境。该示意图图示了根据本发明的实施例的目标组成估计系统106的硬件配置。目标组成估计系统106包括至少一个处理器或者中央处理单元(cpu)10。cpu10经由系统总线12互连到各种设备(诸如随机存取存储器(ram)14、只读存储器(rom)16和输入/输出(i/o)适配器18)。i/o适配器18可以连接到外围设备，诸如磁盘单元11和磁带驱动器13或者系统可读的其它程序存储设备。目标组成估计系统106可以读取程序存储设备上的发明指令并且跟随这些指令以执行本文中的实施例的方法。

目标组成估计系统106还包括用户接口适配器19，其将键盘15、鼠标17、扬声器24、麦克风22和/或其它用户接口设备(诸如触摸屏设备(未示出)或者遥控器)连接到总线12来收集用户输入。此外，通信适配器20将总线12连接到数据处理网络25，并且显示适配器21将总线12连接到显示设备23，其可以被实现为输出设备(诸如例如监视器、打印机或者传送器)。

上文的方面之一是一种用于使用包括第一类型的传感器104的目标组成估计系统106来量化目标样本702的组成的计算机实现的方法。方法包括以下步骤：(a)使用分析模型创建模块206利用第一类型的传感器104的校准数据和标准参考数据创建602第一类型的传感器104的分析模型；(b)使用样本处理模块208在标准压力条件下利用第一类型的传感器104处理604包括准确已知的组成的多个样本；(c)使用分子分数估计模块210利用估计方法和第一类型的传感器104的分析模型来估计606多个样本的分子分数；(d)使用分析模型优化模块212利用以下各项中的任一项通过将多个样本的分子分数与该多个样本的预定分子分数相比较来优化608第一类型的传感器104的分析模型：(i)线性最小二乘优化技术、(ii)非线性最小二乘优化技术、以及(iii)机器学习技术；和(e)使用目标组成估计模块214使用利用了第一类型的传感器104的分析模型和优化方法的估计方法基于从第一类型的传感器104获得的目标样本720的扫描输出来估计610目标样本702的组成，其中，所述扫描输出包括与所述目标样本702相对应的检测到的离子的作为质荷比的函数的光谱。分析模型是第一类型的传感器104的数学模型，其(a)电离目标样本702并且(b)基于离子的质荷比(m/z)将离子分类。校准数据包括与针对标准参考数据所校准的分析模型有关的数据。估计方法包括非负最小二乘估计方法。

创建第一类型的传感器104的分析模型的步骤包括以下步骤：(a)使用碎片化模块206a使目标样本702的光谱图案成碎片；(b)使用电离确定模块206b确定目标样本702的相对电离电位；(c)使用传输确定模块206c计算各质荷比(m/z)处的目标样本702的传输效率；和(d)使用峰形分析模块206d展开信号并且分析信号的非理想峰形，其中，当离子的峰与具有不同的质荷比(m/z)的另一离子的峰重叠时展开信号中的低分辨率效应。

上文的另一方面是用于量化目标样本702的组成的系统。系统包括第一类型的传感器104和目标组成估计系统106。第一类型传感器104生成针对目标样本702的扫描输出。扫描输出包括与目标样本702相对应的检测到的离子的作为质荷比的函数的光谱。目标组成估计系统106被连接到第一类型的传感器104。目标组成估计系统106包括：存储器，其存储参考数据库202、自定义数据库204和模块集；以及专用目标组成估计处理器，其执行模块集。参考数据库202存储与目标样本702的标准碎片化和电离电位有关的数据。自定义数据库204存储使用第一类型的传感器104所确定的目标样本702的碎片化信息和电离电位。模块集包括：(a)分析模型创建模块206，其被配置为使用所述第一类型的传感器104的校准数据和所述标准参考数据创建所述第一类型的传感器104的分析模型，其中，分析模型是第一类型的传感器104的数学模型；(b)样本处理模块208，其被配置为在标准压力条件下使用第一类型的传感器104处理包括准确已知的组成的多个样本；(c)分子分数估计模块210，其被配置为使用估计方法和第一类型的传感器104的分析模型估计多个样本的分子分数，其中，估计方法包括非负最小二乘估计方法；(d)分析模型优化模块212，其被配置为使用以下各项中的任一项通过将多个样本的分子分数与多个样本的预定分子分数相比较来优化第一类型的传感器104的分析模型：(i)线性最小二乘优化技术、(ii)非线性最小二乘优化技术、以及(iii)机器学习技术；以及(e)目标组成估计模块214，其被配置为使用利用了第一类型的传感器104的经优化的分析模型和优化方法的估计方法基于从第一类型的传感器104获得的目标样本702的扫描输出来估计目标样本702的组成。

第一类型的传感器104可以包括光谱类型传感器。第一类型的传感器104可以包括质谱仪。分析模型创建模块206可以包括：(a)碎片化模块206a，其被配置为使目标样本702的光谱图案成碎片；(b)电离确定模块206b，其被配置为确定目标样本702的相对电离电位；(c)传输确定模块206c，其被配置为计算各质荷比(m/z)处的目标样本702的传输效率；和(d)峰形分析模块206d，其被配置为展开信号并且分析信号的非理想峰形，其中，当离子的峰与具有不同的质荷比(m/z)的另一离子的峰重叠时展开信号中的低分辨率效果。

上文的又一方面是用于量化目标样本702的组成的系统。系统包括：第一类型的传感器104，其生成用于目标样本702的扫描输出；以及目标组成估计系统106，其被连接到第一类型的传感器104。目标组成估计系统106包括：存储器，其存储参考数据库202、自定义数据库204和模块集；以及专用目标组成估计处理器，其执行模块集。模块集包括：(a)目标组成估计模块214，其被配置为使用利用了第一类型的传感器104的分析模型和非负最小二乘估计方法的估计方法基于从第一类型的传感器104获得的目标样本的扫描输出来估计目标样本702的组成；和(b)分析模型优化模块212，其被配置为通过以下各项间歇地优化分析模型以实现准确度增加：(i)使用分析模型创建模块206利用第一类型的传感器104的校准数据和标准参考数据创建602第一类型的传感器104的分析模型，其中，分析模型是第一类型的传感器104的数学模型；(ii)使用样本处理模块208在标准压力条件下利用第一类型的传感器104处理604包括准确已知的组成的多个样本；(iii)使用分子分数估计模块210利用估计方法和第一类型的传感器104的现有分析模型来估计606多个样本的分子分数；(iv)使用分析模型优化模块212利用优化技术中的任一项通过将多个样本的分子分数与多个样本的预定分子分数相比较来优化608第一类型的传感器104的现有分析模型；以及(v)使用分析模型替换模块216将现有分析模型替换为经优化的分析模型。

上文的又一方面是用于基于分析模型优化服务器来量化目标样本702的组成的系统。系统包括：第一类型的传感器104；以及目标组成估计系统，其被连接到第一类型的传感器104。目标组成估计系统106包括：存储器，其存储参考数据库202、自定义数据库204和模块集；以及专用目标组成估计处理器，其执行模块集。模块集包括：(a)分析模型创建模块206，其被配置为使用第一类型的传感器104的校准数据和标准参考数据创建第一类型的传感器104的分析模型，其中，分析模型是第一类型的传感器104的数学模型；(b)样本处理模块208，其被配置为在标准压力条件下使用第一类型的传感器104处理包括准确已知的组成的多个样本；(c)分子分数估计模块210，其被配置为使用估计方法和第一类型的传感器104的分析模型来估计多个的分子分数；(d)分析模型优化模块212，其被配置为请求分析模型优化服务器优化第一类型的传感器104的分析模型；以及(e)目标组成估计模块214，其被配置为使用利用了第一类型的传感器104的优化的分析模型和优化方法的估计方法基于从第一类型的传感器104获得的目标样本702的扫描输出来估计目标样本702的组成。优化方法是非负最小二乘优化方法。分析模型优化服务器间歇地与专用目标组成估计处理器通信。分析模型优化服务器使用以下各项中的至少一项通过将多个样本的分子分数与多个样本的预定分子分数相比较来优化第一类型的传感器104的分析模型：(a)最小二乘优化技术、(b)非线性最小二乘优化技术、以及(c)机器学习技术。

第一类型的传感器104的分析模型可以包括：(a)目标样本702的碎片光谱图案、(b)目标样本702的相对电离电位、(c)目标样本702的传输效率和(d)第一类型的传感器104处的信号的非理想峰形。目标样本702可以包括气体混合物、液体、固体和生物对象。

特定实施例的前述描述将完全地揭示本文中的实施例的一般性质以致于他人可以通过应用当前知识针对各种应用容易地修改和/或适配这样的特定实施例而不脱离一般概念，并且因此，这样的适配和修改应当并且旨在被理解在所公开的实施例的等同意义和范围内。将理解，在本文中采用的措辞或者术语出于描述而非限制的目的。因此，虽然根据优选的实施例已经描述了本文中的实施例，但是本领域的技术人员将认识到，可以利用所附的权利要求书的精神和范围内的修改来实践本文中的实施例。