预测半导体装置的特性的方法和执行该方法的计算装置与流程

预测半导体装置的特性的方法和执行该方法的计算装置
1.相关申请的交叉引用
2.本技术要求于2021年8月19日在韩国知识产权局(kipo)提交的韩国专利申请no.10-2021-0109559的优先权，其公开内容通过引用整体并入本文中。
技术领域
3.示例实施例总体上涉及半导体集成电路，更具体地，涉及基于深度学习来预测半导体装置的特性的方法以及执行该方法的计算装置。


背景技术：

4.随着电子工业的发展，其中基于可用的制造工艺检查半导体产品的设计的设计技术协同优化(dtco)愈发重要。例如，在铸造工业中，制造商可以提供对应于目标工艺水平的装置模型，并且设计者可以使用该装置模型来设计和仿真半导体产品。然而，目标工艺水平的改变可能导致装置模型的改变。在这种情况下，设计者不得不改变已建立的设计，并且基于改变的设计重新执行仿真可能花费不切实际的和/或大量的时间，并且因此，可能给制造带来额外的成本和/或可能给设计者带来时间损失。此外，如果执行仿真的模型的精度低，则可能由于对半导体装置的特性的不准确预测而导致设计和制造的产品的性能下降。


技术实现要素：

5.一些示例实施例可以提供一种基于深度学习来预测半导体装置的特性的方法以及执行该方法的计算装置，其能够高效地预测半导体装置的特性。
6.根据一些示例实施例，一种预测目标半导体产品中包括的半导体装置的特性的方法，所述方法由执行程序代码的至少一个处理器执行，所述程序代码存储在计算机可读介质中，所述方法包括：使用多个紧凑模型生成与工艺数据、装置数据和仿真结果数据的组合相对应的基本训练数据，所述多个紧凑模型中的每一个通过基于所述装置数据执行仿真来生成所述仿真结果数据，所述仿真结果数据指示与所述装置数据相对应的半导体装置的特性，所述多个紧凑模型分别与多个工艺数据和多个半导体产品相对应；基于所述基本训练数据来训练深度学习模型，使得所述深度学习模型被配置为输出预测数据；以及基于与所述目标半导体产品相对应的深度学习模型、装置数据和工艺数据来生成目标预测数据，使得所述目标预测数据指示所述目标半导体产品中包括的半导体装置的特性。
7.根据一些示例实施例，一种预测目标半导体产品中的半导体装置的特性的方法，由执行程序代码的至少一个处理器执行所述方法，所述程序代码存储在计算机可读介质中，所述方法包括：使用多个紧凑模型生成与工艺数据、装置数据和仿真结果数据的组合相对应的基本训练数据，所述多个紧凑模型中的每一个通过基于所述装置数据执行仿真来生成所述仿真结果数据，所述仿真结果数据指示与所述装置数据相对应的半导体装置的特性，所述多个紧凑模型分别与多个工艺数据和多个半导体产品相对应；基于所述基本训练数据训练深度学习模型，使得所述深度学习模型被配置为输出预测数据和不确定性值，所
述预测数据指示所述半导体装置的特性，并且所述不确定性值指示所述预测数据的不确定性；基于所述不确定性值重新训练所述深度学习模型；以及基于与所述目标半导体产品相对应的深度学习模型、装置数据和工艺数据来生成目标预测数据，使得所述目标预测数据指示所述目标半导体产品中包括的半导体装置的特性。
8.根据一些示例实施例，一种计算装置包括：计算机可读介质，其存储程序代码和多个紧凑模型，所述程序代码由至少一个处理器执行以使用所述多个紧凑模型生成深度学习模型，所述多个紧凑模型中的每一个通过基于装置数据执行仿真来生成仿真结果数据，所述仿真结果数据指示与所述装置数据相对应的半导体装置的特性，所述多个紧凑模型分别与多个工艺数据以及多个半导体产品相对应；以及所述至少一个处理器,其在执行所述程序代码时被配置为：使用所述多个紧凑模型生成与工艺数据、装置数据和仿真结果数据的组合相对应的基本训练数据，基于所述基本训练数据训练所述深度学习模型，使得所述深度学习模型被配置为输出预测数据，以及基于与所述目标半导体产品相对应的深度学习模型、装置数据和工艺数据来生成目标预测数据，使得所述目标预测数据指示所述目标半导体产品中包括的半导体装置的特性。
9.根据一些示例实施例的方法和计算装置可以通过使用已建立的与先前半导体产品相对应的紧凑模型生成包括工艺数据的基本训练数据、并基于基本训练数据训练深度学习模型，来高效地预测新的半导体产品中包括的半导体装置的特性。
10.另外，根据一些示例实施例的方法和计算装置可以通过训练深度学习模型以输出指示半导体装置的特性的预测数据和指示预测数据的不确定性的不确定性数据、并且基于不确定性数据重新训练深度学习模型，来提供被配置为精确地预测半导体装置的特性的深度学习模型。
11.另外，根据一些示例实施例的方法和计算装置可以通过基于预测数据的不确定性的类型确定重新训练深度学习模型的方法来高效地提供被配置为精确地预测半导体装置的特性的深度学习模型。
12.通过深度学习模型的增强的预测性能，可以改善设计和/或制造包括半导体装置的半导体产品的时间和/或成本以及半导体产品的性能。
附图说明
13.从下面结合附图的详细描述中，将更清楚地理解本公开的示例实施例。
14.图1是示出根据一些示例实施例的预测半导体装置的特性的方法的流程图。
15.图2是示出根据一些示例实施例的计算装置的框图。
16.图3是示出根据一些示例实施例的电子装置的框图。
17.图4和图5是用于描述根据一些示例实施例的由机器学习装置驱动的深度学习神经网络结构的示例的示图。
18.图6是示出包括在神经网络中的节点的示例的示图。
19.图7和图8是用于描述根据一些示例实施例的在预测半导体装置的特性的方法中多个半导体产品和目标半导体产品之间的关系的示图。
20.图9是示出根据一些示例实施例的预测半导体装置的特性的方法中的深度学习模型的示例的示图。
21.图10是示出根据一些示例实施例的预测半导体装置的特性的方法中的数据的示图。
22.图11是示出根据一些示例实施例的预测半导体装置的特性的方法的流程图。
23.图12是用于描述根据一些示例实施例的预测半导体装置的特性的方法中的不确定性的类型的示图。
24.图13是示出根据一些示例实施例的预测半导体装置的特性的方法中的深度学习模型的示例实施例的示图。
25.图14是示出根据一些示例实施例的预测半导体装置的特性的方法中的基于模型不确定性值的重新训练的示例实施例的流程图。
26.图15是示出根据一些示例实施例的预测半导体装置的特性的方法中的附加数据范围的示图。
27.图16是示出根据一些示例实施例的预测半导体装置的特性的方法中的基于数据不确定性值的重新训练的示例实施例的流程图。
28.图17是示出根据一些示例实施例的预测半导体装置的特性的方法中的测量数据范围的示图。
29.图18和图19是示出根据一些示例实施例的预测半导体装置的特性的方法中的基于模型不确定性值和数据不确定性值的重新训练的示例实施例的流程图。
具体实施方式
30.在下文中将参照附图更全面地描述各种示例实施例，在附图中示出了一些示例实施例。在附图中，相同的附图标记始终表示相同的元素。可以省略重复的描述。
31.图1是示出根据示例实施例的基于深度学习来预测半导体装置的特性的方法的流程图。可以通过由至少一个处理器执行程序代码来执行该方法的至少一部分。程序代码可以存储在计算机可读介质中。计算机可读介质可以是例如非暂时性计算机可读介质。如本文中所使用的术语“非暂时性”是对介质本身的描述(例如，是可触知的，而不是信号)而不是对数据存储持续性(例如，ram相对于rom)的限制。
32.参照图1，可以使用多个紧凑模型来生成与工艺数据、装置数据和仿真结果数据的组合相对应的基本训练数据(s100)。
33.如以下将参考图7和图8描述的，多个紧凑模型可以分别对应于多个工艺数据和多个半导体产品。如以下将参考图8描述的，对应于每个工艺数据和每个半导体产品的每个紧凑模型可以通过基于装置数据执行仿真来生成仿真结果数据，该仿真结果数据指示对应于装置数据的半导体装置的特性。如以下将参考图10描述的，装置数据可以指示例如半导体装置的结构和操作条件，并且工艺数据可以指示例如半导体装置的制造工艺的条件。
34.可以基于基本训练数据来训练深度学习模型，使得深度学习模型输出指示半导体装置的特性的预测数据(s200)。如以下将参考图10描述的，仿真结果数据和预测数据可以指示半导体装置的电特性。
35.可以基于与目标半导体产品相对应的深度学习模型、装置数据和工艺数据来生成指示目标半导体产品中包括的半导体装置的特性的目标预测数据(s300)。如以下将参考图7和图8描述的，目标半导体产品可以是未被包括在与多个紧凑模型相对应的多个半导体产
品中的新的半导体产品。
36.这样，根据一些示例实施例的方法和计算装置可以通过使用已建立的对应于先前半导体产品的紧凑模型生成包括工艺数据的基本训练数据、并且基于基本训练数据训练深度学习模型，来高效地预测新的半导体产品中包括的半导体装置的特性。通过深度学习模型的增强的预测性能，可以改善设计和制造包括半导体装置的半导体产品的时间和/或成本以及半导体产品的性能。
37.图2是示出根据一些示例实施例的计算装置的框图。
38.参照图2，计算装置100可以包括处理器110、随机存取存储器120、装置驱动器130、存储装置140、调制解调器150和用户接口160。
39.处理器110中的至少一个处理器可以被配置为操作深度学习模型dlm 220和训练控制模块tcm 240。训练控制模块240可以执行图1的方法以训练深度学习模型220。
40.在一些示例实施例中，深度学习模型220和训练控制模块240可以被实施为可以由处理器110中的至少一个处理器执行的指令(和/或程序代码)。深度学习模型220和训练控制模块240的指令(和/或程序代码)可以存储在计算机可读介质中。例如，至少一个处理器可以将指令加载到随机存取存储器120(和/或从随机存取存储器120读取指令)。
41.在一些示例实施例中，至少一个处理器可以被制造为高效地执行包括在深度学习模型220和训练控制模块240中的指令。例如，至少一个处理器可以是基于深度学习模型220和训练控制模块240(例如，以硬件)实施的专用处理器。至少一个处理器可以高效地执行来自各种机器学习模块的指令。在一些实施例中，至少一个处理器可以接收与深度学习模型220和训练控制模块240相对应的信息，以操作深度学习模型220和训练控制模块240。
42.处理器110可以包括例如至少一个通用处理器，诸如中央处理单元(“cpu”)111、应用处理器(“ap”)112和/或其它处理单元。另外，处理器110可以包括至少一个专用处理器，诸如神经处理单元(“npu”)113、神经形态处理器(“np”)114、图形处理单元(“gpu”)115等。例如，处理器110可以包括两个或更多个异构处理器。尽管被示出为包括cpu 111、ap 112、npu 113、np 114和gpu 115，但示例实施例不限于此。例如，处理器110可以包括比示出的处理器更多或更少的处理器。
43.随机存取存储器120可以用作处理器110的操作存储器、主存储器和/或计算装置100的系统存储器。随机存取存储器120可以包括易失性存储器，诸如动态随机存取存储器(dram)、静态随机存取存储器(sram)等。另外(和/或可替换地)，随机存取存储器120可以包括非易失性存储器，诸如相变随机存取存储器(pram)、铁电随机存取存储器(fram)、磁性随机存取存储器(mram)、电阻随机存取存储器(rram)等。
44.装置驱动器130可以根据处理器110的请求来控制诸如存储装置140、调制解调器150、用户接口160等的外围电路。存储装置140可以包括诸如硬盘驱动器、固态驱动器(ssd)等的固定存储装置，并且/或者包括(和/或连接到)诸如外部硬盘驱动器、外部ssd、存储卡和/或其它外部储存器的可附接存储装置。
45.调制解调器150可通过各种通信方法和/或通信接口协议(诸如，以太网、wifi、lte、诸如码分多址(cdma)的第三代通信系统、全球移动通信系统(gsm)、北美数字蜂窝(nadc)、扩展时分多址(e-tdma)、宽带码分多址(wcdma)、诸如4g lte的第四代通信系统、诸如5g移动通信的第五代通信系统、和/或其它通信方法)与外部装置执行有线或无线通信。
46.用户接口160可以从用户接收信息并向用户提供信息。用户接口160可以包括诸如显示器161、扬声器162等的至少一个输出接口，并且还可以包括诸如(一个或多个)鼠标163、键盘164、触摸输入装置165等的至少一个输入接口。尽管被示出为包括显示器161、扬声器162、鼠标163、键盘164和触摸输入装置165，但是示例实施例不限于此，并且可以例如包括更多或更少的元件。在一些示例实施例中，例如，用户接口160中的一些可以被组合(例如，以包括触摸屏)。
47.在一些示例实施例中，深度学习模型220和训练控制模块240可以通过调制解调器150接收指令(和/或代码)并且将指令存储在存储装置140中。在一些示例实施例中，深度学习模型220和训练控制模块240的指令可以存储在可附接存储装置中，并且可附接存储装置可以由用户连接到计算装置100。深度学习模型220和训练控制模块240的指令可以被加载到随机存取存储器120中，以用于指令的快速执行。
48.在一些示例实施例中，计算机程序代码、紧凑模型、深度学习模型和训练控制模块中的至少一者可以存储在暂时性和/或非暂时性计算机可读介质中。在一些示例实施例中，由处理器执行的仿真产生的值和/或从由处理器执行的算术处理获得的值可以存储在暂时性和/或非暂时性计算机可读介质中。在一些示例实施例中，在深度学习期间生成的中间值可以存储在暂时性和/或非暂时性计算机可读介质中。在一些示例实施例中，训练数据、工艺数据、装置数据、仿真结果数据、预测数据和不确定性数据中的至少一者可以存储在暂时性或非暂时性计算机可读介质中。然而，示例实施例不限于此。
49.图3是示出根据示例实施例的电子装置的框图。
50.参照图3，电子装置1000可以包括输入单元11、储存器12和处理器13。储存器12可以包括紧凑模型cm。电子装置1000、半导体制造装备31和半导体测量装备32可以形成半导体系统。在一些示例实施例中，电子装置1000可被实施为与半导体制造装备31和半导体测量装备32分离的半导体系统。
51.输入单元11可以接收装置数据，并将装置数据发送到处理器13，处理器13可以使用紧凑模型cm生成基本训练数据。紧凑模型cm可以通过基于装置数据执行仿真来提供指示与装置数据相对应的半导体装置的特性的仿真结果数据。例如，在一些示例实施例中，输入单元11可以是(和/或包括)用户输入、存储装置140和调制解调器150中的至少一者，并且处理器13可以是(和/或包括)处理器100中的至少一个(如图1所示)。
52.处理器13可以生成与装置数据和仿真结果数据的组合相对应的训练数据。处理器13可以获得与装置数据的各种值相对应的仿真结果数据的值，并且建立包括装置数据和仿真结果数据的值的各种组合的数据库db。所建立的数据库db可以存储在储存器12中，并且处理器13可以使用数据库db中的训练数据来执行深度学习模型dlm的训练或学习。
53.处理器13可以基于测量数据md生成(和/或更新)紧凑模型cm，并且将紧凑模型cm存储在储存器12中。
54.可以基于测量数据md生成(和/或更新)紧凑模型cm。测量数据md可以包括由半导体测量装备32实际测量的半导体产品的电特性和/或结构特性。由半导体测量装备32测量的半导体产品可以是由半导体制造装备31基于半导体制造数据制造的。半导体制造数据可与目标半导体装置的制造和/或与目标半导体装置相似的半导体装置的制造相关。
55.可以响应于由半导体测量装备32对半导体产品的电特性和/或结构特性的测量而
更新紧凑模型cm。例如，响应于从半导体测量装备32接收测量数据md，处理器13可以更新紧凑模型cm以反映最新的测量数据md。处理器13可以通过输入单元11或通信单元从半导体测量装备32接收测量数据md。
56.储存器12可以包括从半导体制造装备31和半导体测量装备32中选择的至少一个的装备信息。例如，半导体产品可以根据半导体制造装备31的类型而具有不同的电特性和/或结构特性。此外，可以根据半导体测量装备32的类型而不同地测量半导体产品的电特性和/或结构特性。为了减少涉及到半导体制造装备31和半导体测量装备32的类型的错误的可能性，储存器12可以包括各种种类的装备信息，诸如关于半导体制造装备31的制造商和/或半导体测量装备32的制造商的信息、半导体制造装备31和半导体测量装备32的型号信息和/或其性能信息。处理器13可以参考存储在储存器12中的装备信息来更新紧凑模型cm。
57.例如在制造半导体装置之前，处理器13可以使用深度学习模型dlm、紧凑模型cm和/或数据库db来仿真和/或预测由半导体制造装备31制造的该半导体装置的性能。处理器13可以例如基于例如半导体装置的操作条件来确定对半导体装置的设计的改变是否可以改善或恶化半导体装置的性能。在一些示例实施例中，例如，处理器13可以基于这些预测来确认设计，从而指示该设计可以用于继续进行制造和/或将该设计转发到控制半导体制造装备31的处理器。然后，半导体制造装备31可以基于确认的设计来制造半导体装置。如果例如设计的改变将导致半导体装置的特性恶化到阈值以下，则处理器13还可以暂停(和/或停止)基于该设计的半导体装置的生产。在一些示例实施例中，可以(例如，在显示器161上和/或通过图2的调制解调器150)向用户提供设计的改变如何影响和/或影响什么特性的警告和/或表示。
58.在一些示例实施例中，处理器13还可以通过(例如，通过使用从半导体测量装备32接收的测量数据md和/或使用数据不确定性值)将对设计的预测与基于该设计制造的半导体装置进行比较来(例如，周期性地)确认深度学习模型dlm的预测，如下所述。例如，在一些示例实施例中，处理器13可以将预测存储在储存器12中，然后可以将预测与基于该设计制造的半导体装置进行比较。如果预测和所制造的半导体装置不同(例如，超过最大阈值)，则可以例如基于由半导体测量装备32实际测量的测量数据md来更新存储在储存器12中的紧凑模型cm，如上所述。
59.图4和图5是用于描述根据示例实施例的由机器学习装置驱动的深度学习神经网络结构的示例的示图。
60.参照图4，一般神经网络可以包括输入层il、多个隐藏层hl1、hl2、...、hln以及输出层ol。
61.输入层il可以包括i个输入节点x1、x2、...、xi，其中i是自然数。长度为i的输入数据(例如，向量输入数据)x可以被输入到输入节点x1、x2、...、xi，使得输入数据x的每个元素被输入到输入节点x1、x2、...、xi中的对应一个。
62.多个隐藏层hl1、hl2、...、hln可以包括n个隐藏层，其中n是自然数，并且可以包括多个隐藏节点h
11
、h
12
、h
13
、...、h
1m
、h
21
、h
22
、h
23
、...、h
2m
、h
n1
、h
n2
、h
n3
、...、h
nm
。例如，隐藏层hl1可以包括m个隐藏节点h
11
、h
12
、h
13
、...、h
1m
，隐藏层hl2可以包括m个隐藏节点h
21
、h
22
、h
23
、...、h
2m
，并且隐藏层hln可以包括m个隐藏节点h
n1
、h
n2
、h
n3
、...、h
nm
，其中m是自然数。
63.输出层ol可以包括j个输出节点y1、y2、...、yj，从而提供输出数据y，其中j是自然
数。输出层ol可以输出与输入数据x相关联的输出数据y。
64.图4中所示的神经网络的结构可以由关于被示出为线的节点之间的分支(或连接)的信息以及分配给每个分支的加权值来表示。一个层内的节点可以不彼此连接，但是不同层的节点可以完全地(和/或部分地)彼此连接。
65.每个节点(例如，节点h
11
)可接收先前节点(例如，节点x1)的输出，可对接收到的输出执行计算操作、计算和/或运算，并且可将计算操作、计算和/或运算的结果作为输出输出至接下来的节点(例如，节点h
21
)。每个节点可以通过将输入应用于特定函数(例如，非线性函数)来计算要被输出的值。
66.通常，可以预先设置神经网络的结构，并且使用具有已知数据属于哪个类别的答案的数据来适当地设置用于节点之间的连接的加权值。具有已知答案的数据可以被称为“训练数据”，并且确定加权值的处理被称为“训练”。“神经网络”在训练期间“学习”。将可独立训练的结构和加权值的组称为“模型”，并且将通过具有所确定的加权值的模型来预测输入数据属于哪个类别、然后输出预测值的过程称为“测试”过程。
67.图4所示的一般神经网络可能不适合于处理输入图像数据(或输入声音数据)，因为每个节点(例如，节点h
11
)连接到前一层的所有节点(例如，包括在层il中的节点x1、x2、...、xi)，然后加权值的数量随着输入图像数据的大小的增加而急剧增加。因此，已经研究了通过将滤波技术与一般神经网络组合而实现的卷积神经网络(cnn)，使得通过卷积神经网络来高效地训练二维图像(例如，输入图像数据)。
68.参照图5，卷积神经网络可以包括多个层conv1、relu1、conv2、relu2、pool1、conv3、relu3、conv4、relu4、pool2、conv5、relu5、conv6、relu6和pool3。
69.与一般神经网络不同，卷积神经网络的每个层可以具有宽度、高度和深度这三个维度，并且因此输入到每个层的数据可以是具有宽度、高度和深度这三个维度的体数据。
70.卷积层conv1、conv2、conv3、conv4、conv5和conv6中的每一个都可以对输入体数据执行卷积操作。在图像处理中，卷积操作表示其中基于具有加权值的掩码处理图像数据并且通过将输入值与加权值相乘并将全部相乘后的值相加来获得输出值的操作。掩码可以被称为滤波器、窗口和/或内核。
71.更详细地，每个卷积层的参数可以包括(和/或包含)一组可学习的滤波器。每个滤波器可以在空间上(例如，沿着宽度和高度)小，但是可以延伸通过输入体数据的整个深度。例如，在前向传递期间，每个滤波器可以在输入体数据的宽度和高度上滑动(例如，卷积)，并且可以在滤波器的入口和任何位置处的输入之间计算点积。当滤波器在输入体数据的宽度和高度上滑动时，可以生成给出该滤波器在每个空间位置处的响应的二维激活映射。结果，可以通过沿着深度维度堆叠这些激活映射来生成输出体数据。例如，如果具有32
×
32
×
3的大小的输入体数据穿过具有四个带有补零的滤波器的卷积层conv1，则卷积层conv1的输出体数据可具有32
×
32
×
12的大小(例如，体数据的深度增加)。
72.整流线性单元(“relu”)层relu1、relu2、relu3、relu4、relu5和relu6中的每一个可执行整流线性单元操作，该整流线性单元操作对应于由例如函数f(x)＝max(0，x)(例如，对于所有负数输入x，输出为零)定义的激活函数。例如，如果具有32
×
32
×
12的大小的输入体数据穿过relu层relu1以执行整流线性单元操作，则relu层relu1的输出体数据可具有32
×
32
×
12的大小(例如，体数据的大小被保持)。
73.池化层pool1、pool2和pool3中的每一个可沿着宽度和高度的空间维度对输入体数据执行下采样操作。例如，以2
×
2矩阵形式布置的四个输入值可基于2
×
2滤波器被转换为一个输出值。例如，可基于2
×
2最大池化来选择以2
×
2矩阵形式布置的四个输入值中的最大值，或者可基于2
×
2平均池化来获得以2
×
2矩阵形式布置的四个输入值的平均值。例如，如果具有32
×
32
×
12的大小的输入体数据穿过具有2
×
2滤波器的池化层pool1，则池化层pool1的输出体数据可具有16
×
16
×
12的大小(例如，体数据的宽度和高度减小，并且体数据的深度被保持)。
74.通常，一个卷积层(例如，conv1)和一个relu层(例如，relu1)可在卷积神经网络中形成一对conv/relu层，可在卷积神经网络中重复地布置成对的conv/relu层，并且可在卷积神经网络中周期性地插入池化层，从而减少输入数据x的特性。可以对卷积神经网络中包括的层的类型和数量进行各种改变。
75.深度学习模型的示例实施例不限于特定神经网络。深度学习模型可以包括例如cnn(卷积神经网络)、r-cnn(具有卷积神经网络的区域)、rpn(区域建议网络)、rnn(循环神经网络)、s-dnn(基于堆叠的深度神经网络)、s-sdnn(状态空间动态神经网络)、去卷积网络、dbn(深度信念网络)、rbm(受限玻尔兹曼机)、全卷积网络、lstm(长短期记忆)网络、分类网络和bnn(贝叶斯神经网络)中的至少一个。另外(和/或可替换地)，可以基于各种算法(诸如回归、线性和/或逻辑回归、随机森林、支持向量机(svm))、其它类型的模型(诸如统计聚类、贝叶斯分类、决策树、诸如主成分分析的降维、专家系统)、以及包括诸如随机森林的集成(ensemble)的其组合中的至少一个来训练(一个或多个)深度学习模型。
76.图6是示出包括在神经网络中的节点的示例的示图
77.图6示出了由神经网络中的节点nd执行的示例节点操作。当将n个输入a1至an提供到节点nd时，节点nd可将n个输入a1至an分别与相应的n个权重w1至wn相乘，可将通过相乘而获得的n个值相加，可将偏移量“b”加到相加后的值上，并且可通过将加了偏移量“b”的值应用于特定函数“σ”来生成一个输出值。可以基于训练数据来执行学习操作以更新神经网络中的所有节点。
78.在基于深度学习预测半导体装置的特性的情况下，可将足够量的训练数据和/或学习数据用于深度学习模型或深度学习模块的训练(并且/或者深度学习模型或深度学习模块的训练可需要足够量的训练数据和/或学习数据)。例如，可需要数十至数百万个各种类型的训练数据来防止训练期间的过度拟合并且增强深度学习模型的性能。根据一些示例实施例，可以通过使用紧凑模型生成训练数据来高效地建立用于训练深度学习模型的数据库。
79.图7和图8是用于描述根据一些示例实施例的在预测半导体装置的特性的方法中多个半导体产品和目标半导体产品之间的关系的示图。
80.参照图7和图8，可以根据指示每个半导体产品sp的制造工艺的工艺类型pt和其中包括每个半导体产品sp的产品组pg的工艺-组组合pgc来确定工艺数据pr。例如，工艺类型pt可以指示制造工艺的临界尺寸(cd)。产品组pg可以包括服务器产品组、移动产品组、图形产品组、高带宽存储器产品组等等。
81.第一半导体产品sp1可对应于第一工艺类型pt1和第一产品组pg1的第一工艺-组组合cb1，并且第一半导体产品sp1的工艺数据pr可被确定为第一工艺数据pr1。第二半导体
产品sp2可对应于第一工艺类型pt1和第二产品组pg2的第二工艺-组组合cb2，并且第二半导体产品sp2的工艺数据pr可被确定为第二工艺数据pr2。第三半导体产品sp3可对应于第一工艺类型pt1和第三产品组pg3的第三工艺-组组合cb3，并且第三半导体产品sp3的工艺数据pr可被确定为第三工艺数据pr3。
82.第四半导体产品sp4可对应于第二工艺类型pt2和第一产品组pg1的第四工艺-组组合cb4，并且第四半导体产品sp4的工艺数据pr可被确定为第四工艺数据pr4。第五半导体产品sp5可对应于第二工艺类型pt2和第二产品组pg2的第五工艺-组组合cb5，并且第五半导体产品sp5的工艺数据pr可被确定为第五工艺数据pr5。第六半导体产品sp6可对应于第二工艺类型pt2和第三产品组pg3的第六工艺-组组合cb6，并且第六半导体产品sp6的工艺数据pr可被确定为第六工艺数据pr6。
83.第七半导体产品sp7可对应于第三工艺类型pt3和第一产品组pg1的第七工艺-组组合cb7，并且第七半导体产品sp7的工艺数据pr可被确定为第七工艺数据pr7。第八半导体产品sp8可对应于第三工艺类型pt3和第三产品组pg3的第八工艺-组组合cb8，并且第八半导体产品sp8的工艺数据pr可被确定为第八工艺数据pr8。
84.可以如参照图3所述提供关于第一半导体产品sp1至第八半导体产品sp8中的每一个的测量数据md，并且可以生成分别与第一半导体产品sp1至第八半导体产品sp8相对应的第一紧凑模型cm1至第八紧凑模型cm8。可以使用第一紧凑模型cm1至第八紧凑模型cm8生成上述基本训练数据。第一半导体产品sp1至第八半导体产品sp8可以是先前的或已建立的半导体产品esp，即，参照图1描述的多个半导体产品。
85.第九半导体产品sp9可对应于第三工艺类型pt3和第二产品组pg2的第九工艺-组组合cb9，并且第九半导体产品sp9的工艺数据pr可被确定为第九工艺数据pr9。
86.第九半导体产品sp9可处于其中还没有生成对应于第九半导体产品sp9的紧凑模型的设计阶段，而第一半导体产品sp1至第八半导体产品sp8具有已建立的紧凑模型cm1至cm8。
87.这样，可以根据指示每个半导体产品sp的制造工艺的工艺类型pt和其中包括每个半导体产品sp的产品组pg的工艺-组组合pgc来确定工艺数据pr，并且目标半导体产品(例如，第九半导体产品sp9)的工艺-组组合(例如，第九工艺-组组合cb9)可以是未被包括在多个先前的半导体产品(例如，第一半导体产品sp1至第八半导体产品sp8)的工艺-组组合(例如，第一工艺-组组合cb1至第八工艺组-组合cb8)中的新的工艺-组组合。例如，目标半导体产品(例如，第九半导体产品sp9)可以是未被包括在分别与多个已建立的紧凑模型(cm1至cm8)相对应的多个先前的半导体产品(例如，第一半导体产品sp1至第八半导体产品sp8)中的新的半导体产品。
88.紧凑模型被配置为在设计所需的装置数据的范围内提供半导体装置的特性。通常，测试元件组被设置在晶片的划线通道中，以提供用于生成紧凑模型的测量数据。然而，由于划线通道的有限面积、工艺周转时间(tat)等等，在确保数据范围的覆盖率以生成紧凑模型方面存在时间增加和困难。
89.根据一些示例实施例，可以通过提供基本训练数据的数据库来高效且快速地提供目标半导体产品(例如，第九半导体产品sp9)中包括的半导体装置的特性，该基本训练数据用于使用先前开发的半导体产品(例如，第一半导体产品sp1至第八半导体产品sp8)的已建
立的紧凑模型(例如，第一紧凑模型cm1至第八紧凑模型cm8)以工艺数据和装置数据作为深度学习模型的输入来训练深度学习模型。
90.多个先前的半导体产品和目标半导体产品可以是存储器装置。一些示例实施例在预测存储器装置的特性方面特别有用。在存储器商业中，设计技术协同优化(dtco)变得更加重要，例如，快速地提供装置模型以设计下一代存储器装置。此外，关于存储器装置，上一代的相同和/或相似的半导体装置在下一代中被用作收缩形式(shrunken form)，并且因此，可以使用先前的存储器装置的已建立的紧凑模型来高效地建立用于新的存储器装置的数据库。
91.图9是示出根据一些示例实施例的预测半导体装置的特性的方法中的深度学习模型的示例的示图。为了便于说明，省略了深度学习模型的详细配置，并且在图9中示出了接收输入数据x的输入层il和提供输出数据y的输出层ol。
92.紧凑模型可以通过基于装置数据dv执行仿真来提供指示与装置数据dv相对应的半导体装置的特性的仿真结果数据sr。通常，每个紧凑模型可被设计为输出对应于与特定半导体产品相关联的工艺数据的仿真结果数据sr。
93.参照图9，可以生成深度学习模型dlm1，其可以替换分别对应于多个工艺数据pr1至pr8的多个紧凑模型cm1至cm8。
94.可以使用多个紧凑模型cm1至cm8来生成基本训练数据trd，使得基本训练数据trd对应于工艺数据pr、装置数据dv和仿真结果数据sr的组合。可以基于工艺数据pr和装置数据dv的不同值来生成对应于不同组合的多个基本训练数据trd。
95.在图9的示例中，深度学习模型dlm1的输入数据x可以包括工艺数据pr和装置数据dv两者。输出数据y可以包括指示半导体装置的特性的预测数据pd。可以使用仿真结果数据sr作为关于工艺数据pr和装置数据dv的基础事实数据(ground-truth data)来执行深度学习模型dlm1的监督学习。
96.图10是示出根据一些示例实施例的预测半导体装置的特性的方法中的数据的示图。图10示出当半导体装置对应于晶体管时的示例数据。然而，示例实施例不限于晶体管，并且可应用于其它类型的半导体装置。
97.参照图10，深度学习模型的输入数据x可以包括装置数据dv和工艺数据pr两者。
98.装置数据dv可指示半导体装置的结构和操作条件。例如，装置数据dv可以包括关于半导体装置的结构的信息，诸如晶体管的宽度w、晶体管的长度l等等。此外，装置数据dv可以包括半导体装置的操作条件的信息，诸如晶体管的操作温度t
op
、晶体管的漏极电压vd、栅极电压vg、体电压vb、源极电压vs等等。
99.工艺数据pr可以指示半导体装置的制造工艺的条件。例如，工艺数据pr可以包括离子注入工艺中的掺杂剂的种类dk、掺杂剂的密度dd、激活温度t
act
、栅极氧化层的厚度tog、晶体管的栅极结构中的间隔件的厚度tsp等等。
100.深度学习模型的输出数据y可以包括预测数据pd，如图9所示。在一些示例实施例中，如下面将参考图11至图13描述的，深度学习模型的输出数据y除了预测数据pd之外还可以包括不确定性数据uc。
101.预测数据pd可以指示半导体装置的电特性。例如，预测数据pd可以包括阈值电压v
t
、增益g、击穿电压v
bk
、晶体管的漏极电流id等等。
102.不确定性数据uc可以指示预测数据pd的不确定性。不确定性数据uc可以包括模型不确定性值um和/或数据不确定性值ud。如下面将描述的，模型不确定性值um可以指示由基本训练数据的不足导致的预测数据pd的不确定性，并且数据不确定性值ud可以指示由基本训练数据的噪声导致的预测数据pd的不确定性。
103.图11是示出根据一些示例实施例的预测半导体装置的特性的方法的流程图。可以通过由至少一个处理器执行程序代码来执行该方法的至少一部分，并且程序代码可以存储在计算机可读介质中。
104.参照图11，可以使用多个紧凑模型来生成与工艺数据、装置数据和仿真结果数据的组合相对应的基本训练数据(s101)。
105.如上参照图7和图8所述，多个紧凑模型可以分别对应于多个工艺数据和多个半导体产品。如上参照图8所述，对应于每个工艺数据和每个半导体产品的每个紧凑模型可以通过基于装置数据执行仿真来生成仿真结果数据，该仿真结果数据指示对应于装置数据的半导体装置的特性。如上参照图10所述，装置数据可以指示半导体装置的结构和操作条件，并且工艺数据可以指示半导体装置的制造工艺的条件。
106.可以基于基本训练数据来训练深度学习模型，使得深度学习模型输出指示半导体装置的特性的预测数据和指示预测数据的不确定性的不确定性数据(s201)。仿真结果数据和预测数据可以指示半导体装置的电特性。
107.可以基于不确定性数据来重新训练深度学习模型(s301)。
108.在一些示例实施例中，如下面将参考图14描述的，可以执行第一重新训练，使得已经基于基本训练数据被训练的深度学习模型基于模型不确定性值被进一步训练。
109.在一些示例实施例中，如下面将参考图16描述的，可以执行第二重新训练，使得已经基于基本训练数据被训练的深度学习模型被初始化，并且初始化后的深度学习模型基于数据不确定性值被训练。
110.在一些示例实施例中，如下面将参考图18描述的，可基于模型不确定性值确定是否执行第一重新训练，并且当确定不执行第一重新训练时，可基于数据不确定性值确定是否执行第二重新训练。
111.在一些示例实施例中，如下面将参考图19描述的，彼此独立地确定是否执行第一重新训练和是否执行第二重新训练。
112.可以基于与目标半导体产品相对应的深度学习模型、装置数据和工艺数据来生成指示目标半导体产品中包括的半导体装置的特性的目标预测数据(s401)。如上参照图7和图8所述，目标半导体产品可以是未被包括在与多个紧凑模型相对应的多个半导体产品中的新的半导体产品。
113.这样，根据一些示例实施例的方法和计算装置可以通过使用已建立的对应于先前半导体产品的紧凑模型生成包括工艺数据的基本训练数据并基于基本训练数据训练深度学习模型，来高效地预测新的半导体产品中包括的半导体装置的特性。另外，根据一些示例实施例的方法和计算装置可以通过训练深度学习模型以输出指示半导体装置的特性的预测数据和指示预测数据的不确定性的不确定性数据、并且基于不确定性数据重新训练深度学习模型，来提供能够精确地预测半导体装置的特性的深度学习模型。另外，根据一些示例实施例的方法和计算装置可以通过基于预测数据的不确定性的类型确定重新训练深度学
习模型的方法，来高效地提供能够精确地预测半导体装置的特性的深度学习模型。通过深度学习模型的增强的预测性能，可以改善设计和制造包括半导体装置的半导体产品的时间和/或成本以及半导体产品的性能。
114.图12是用于描述根据示例实施例的预测半导体装置的特性的方法中的不确定性的类型的示图。
115.在图12中，水平轴指示深度学习模型的输入数据，并且竖直轴指示从深度学习模型输出的预测数据。图12示出了使用深度学习模型提供的预测数据的示例分布。根据预测数据的分布，输入数据可被划分为第一范围rg1至第五范围rg5。
116.例如，指示半导体装置的特性的预测数据可以根据输入数据线性地增加。在这种情况下，来自于理想的深度学习模型的预测数据可以与图12中的均匀斜率的虚线一致。
117.预测数据在第一范围rg1中具有相对大的分布并且在第五范围rg5中具有相对小的分布。
118.预测数据的大分布可由输入数据和/或训练数据的噪声导致。由训练数据的噪声导致的预测数据的不确定性可以被称为数据不确定性(和/或偶然不确定性)。
119.相反，由第二范围rg2和第四范围rg4中的训练数据的不足导致的预测数据的不确定性可以被称为模型不确定性(和/或认识不确定性)。
120.在一些示例实施例中，从深度学习模型输出的不确定性数据可以包括指示例如由基本训练数据的不足导致的预测数据的不确定性的模型不确定性值。在这些情况下，如下面将参考图14描述的，可以执行第一重新训练，使得已基于基本训练数据被训练的深度学习模型基于模型不确定性值被进一步训练。
121.在一些示例实施例中，从深度学习模型输出的不确定性数据可以包括指示由基本训练数据的噪声导致的预测数据的不确定性的数据不确定性值。在这些情况下，如下面将参考图16描述的，可以执行第二重新训练，使得已基于基本训练数据被训练的深度学习模型被初始化，并且初始化后的深度学习模型基于数据不确定性值被训练。
122.深度学习模型可以被配置为通过模型不确定性和数据不确定性的量化来输出模型不确定性值和数据不确定性值。
123.在一些示例实施例中，深度学习模型可以包括贝叶斯神经网络(bnn)。深度学习模型可以使用蒙特卡罗丢弃(monte-carlo dropout)方案、深度集成(deep ensemble)方案、分位数回归方案、高斯过程推断(gaussian process inference)方案和/或它们的组合来量化不确定性。
124.这样，根据一些示例实施例的方法和计算装置可以通过基于预测数据的不确定性的类型确定重新训练深度学习模型的方法来高效地提供能够精确地预测半导体装置的特性的深度学习模型。
125.图13是示出根据示例实施例的预测半导体装置的特性的方法中的深度学习模型的示例实施例的示图。
126.参照图13，可以生成深度学习模型dlm2，其可以替换分别与多个工艺数据pr1至pr8相对应的多个紧凑模型cm1至cm8。
127.可以使用多个紧凑模型cm1至cm8来生成基本训练数据trd，使得基本训练数据trd对应于工艺数据pr、装置数据dv和仿真结果数据sr的组合。可以基于工艺数据pr和装置数
据dv的不同值来生成对应于不同组合的多个基本训练数据trd。
128.在图13的示例中，深度学习模型dlm2的输入数据x可以包括工艺数据pr和装置数据dv两者。输出数据y可以包括指示半导体装置的特性的预测数据pd和指示预测数据pd的不确定性的不确定性数据uc。可以使用仿真结果数据sr作为关于工艺数据pr和装置数据dv的基础事实数据来执行深度学习模型dlm2的监督学习。
129.图14是示出根据一些示例实施例的预测半导体装置的特性的方法中的基于模型不确定性值的重新训练的示例的流程图，图15是示出根据一些示例实施例的预测半导体装置的特性的方法中的附加数据范围的示图。
130.图14示出了使得已基于基本训练数据被训练的深度学习模型基于模型不确定性值被进一步训练的第一重新训练。
131.参照图2和图14，由处理器110中的至少一个处理器操作的训练控制模块240可以将模型不确定性值与模型参考值进行比较(s311)。如上所述，模型不确定性值可以指示由基本训练数据的不足导致的预测数据的不确定性。模型参考值可以根据经训练的深度学习模型的目标性能而被确定为适当值。
132.当模型不确定性值大于模型参考值时，可以使用紧凑模型生成不同于基本训练数据的附加训练数据(s312)。训练控制模块240可以基于附加训练数据重新训练深度学习模型(s313)。训练控制模块240可以例如不初始化已经基于基本训练数据被训练的深度学习模型，并且基于附加训练数据额外地重新训练深度学习模型。
133.图15示出了从经训练的深度学习模型提供的模型不确定性值的示例分布。在图15中，水平轴指示晶体管的长度l和宽度w并且竖直轴指示模型不确定性值um。
134.训练控制模块240可以确定与使得模型不确定性值um大于模型参考值的数据的范围相对应的附加数据范围rgm。训练控制模块240可以生成附加训练数据，使得附加训练数据可以与附加数据范围中包括的装置数据和相应的仿真结果数据的组合相对应。
135.图16是示出根据一些示例实施例的预测半导体装置的特性的方法中的基于数据不确定性值的重新训练的示例的流程图，图17是示出根据示例实施例的预测半导体装置的特性的方法中的测量数据范围的示图。
136.图16示出了第二重新训练，使得已经基于基本训练数据被训练的深度学习模型被初始化，并且初始化后的深度学习模型基于数据不确定性值被训练。
137.参照图2和图16，由处理器110中的至少一个处理器操作的训练控制模块240可以将数据不确定性值与数据参考值进行比较(s321)。如上所述，数据不确定性值可以指示由基本训练数据的噪声导致的预测数据的不确定性。数据参考值可以根据经训练的深度学习模型的目标性能而被确定为适当值。
138.当数据不确定性值大于数据参考值时，可以通过测量半导体装置的特性来提供测量数据(s322)，如参照图3所述。可将测量数据提供到训练控制模块240。
139.训练控制模块240可以基于测量数据校正紧凑模型(s323)，并且使用校正后的紧凑模型生成更新后的训练数据(s324)。训练控制模块240可以基于更新后的训练数据重新训练深度学习模型(s325)。训练控制模块240可以初始化已经基于基本训练数据被训练的深度学习模型，然后基于测量训练数据重新训练初始化后的深度学习模型。例如，在权重初始化处理期间，定义深度学习模型中的起始点的权重值可以被设置为小的随机值，从而增
大深度学习模型的结果将收敛的概率。
140.图17示出了从经训练的深度学习模型提供的数据不确定性值的示例分布。在图17中，水平轴指示半导体装置(例如，晶体管)的长度l和宽度w，并且竖直轴指示数据不确定性值ud。
141.训练控制模块240可以确定与使得数据不确定性值ud大于数据参考值的数据的范围相对应的一个或多个测量数据范围rgd1和rgd2。测量数据范围rgd1和rgd2可被提供给图3中的半导体制造装备31和半导体测量装备32，并且半导体制造装备31和半导体测量装备32可以通过测量与测量数据范围rgd1和rgd2中包括的装置数据相对应的半导体装置的特性来提供测量数据md。
142.图18和图19是示出根据一些示例实施例的预测半导体装置的特性的方法中的基于模型不确定性值和数据不确定性值的重新训练的示例的流程图。
143.参照图2和图18，训练控制模块240可以使用深度学习模型dlm生成与深度学习模型dlm的输出数据相对应的模型不确定性值um和数据不确定性值ud(s11)。如上所述，模型不确定性值um可以指示由基本训练数据的不足导致的预测数据的不确定性，数据不确定性值ud可以指示由基本训练数据的噪声导致的预测数据的不确定性。
144.训练控制模块240可以将模型不确定性值um与模型参考值rm进行比较(s12)。
145.当模型不确定性值um大于模型参考值rm时(s12：是)，训练控制模块240可以如上参照图14所述执行第一重新训练(s13)。如上所述，训练控制模块240可使用紧凑模型生成与基本训练数据不同的附加训练数据，并且基于附加训练数据重新训练深度学习模型。在这种情况下，训练控制模块240可以不初始化已经基于基本训练数据被训练的深度学习模型，并且基于附加训练数据额外地重新训练深度学习模型。
146.当模型不确定性值um不大于模型参考值rm时(s12：否)，训练控制模块240可以将数据不确定性值ud与数据参考值rd进行比较(s14)。
147.当数据不确定性值ud大于数据参考值rd时(s14：是)，训练控制模块240可以如上参照图16所述执行第二重新训练(s15)。如上所述，训练控制模块240可以接收测量数据，基于测量数据校正紧凑模型，使用校正后的紧凑模型生成更新后的训练数据，然后基于更新后的训练数据重新训练深度学习模型。在这种情况下，训练控制模块240可以初始化已经基于基本训练数据被训练的深度学习模型，然后基于测量训练数据重新训练初始化后的深度学习模型。
148.如参照图18所述，训练控制模块240可以首先基于模型不确定性值确定是否执行第一重新训练。训练控制模块240可仅当确定不执行第一重新训练时基于数据不确定性值确定是否执行第二重新训练。
149.参照图2和图19，训练控制模块240可以使用深度学习模型dlm生成与深度学习模型dlm的输出数据相对应的模型不确定性值um和数据不确定性值ud(s21)。如上所述，模型不确定性值um可以指示由基本训练数据的不足导致的预测数据的不确定性，数据不确定性值ud可以指示由基本训练数据的噪声导致的预测数据的不确定性。
150.训练控制模块240可以将模型不确定性值um与模型参考值rm进行比较(s22)。
151.当模型不确定性值um大于模型参考值rm时(s22：是)，训练控制模块240可以如上参照图14所述执行第一重新训练(s23)。如上所述，训练控制模块240可使用紧凑模型生成
与基本训练数据不同的附加训练数据，并且基于附加训练数据重新训练深度学习模型。在这些情况下，训练控制模块240可以例如不初始化已经基于基本训练数据被训练的深度学习模型，并且基于附加训练数据额外地重新训练深度学习模型。
152.此外，训练控制模块240可将数据不确定性值ud与数据参考值rd进行比较(s24)。
153.当数据不确定性值ud大于数据参考值rd时(s24：是)，训练控制模块240可以如上参照图16所述执行第二重新训练(s25)。如上所述，训练控制模块240可以接收测量数据，基于测量数据校正紧凑模型，使用校正后的紧凑模型生成更新后的训练数据，然后基于更新后的训练数据重新训练深度学习模型。在这种情况下，训练控制模块240可以初始化已经基于基本训练数据被训练的深度学习模型，然后基于测量训练数据重新训练初始化后的深度学习模型。
154.如参照图19所述，训练控制模块240可彼此独立地确定是否执行第一重新训练以及是否执行第二重新训练。
155.可以使用已建立的紧凑模型快速执行第一重新训练，并且第二重新训练可需要大量时间用于提供测量数据。可以考虑到设计和制造半导体产品的各种问题而适当地选择图14和图16的方法中的一个。
156.如上所述，根据示例实施例的方法和计算装置可以通过使用已建立的对应于先前半导体产品的紧凑模型生成包括工艺数据的基本训练数据、并基于基本训练数据训练深度学习模型，来高效地预测新的半导体产品中包括的半导体装置的特性。此外，根据一些示例实施例的方法和计算装置可以通过训练深度学习模型以输出指示半导体装置的特性的预测数据和指示预测数据的不确定性的不确定性数据、并且基于不确定性数据重新训练深度学习模型，来提供能够精确地预测半导体装置的特性的深度学习模型。此外，根据示例实施例的方法和计算装置可通过基于预测数据的不确定性的类型确定重新训练深度学习模型的方法来高效地提供能够精确地预测半导体装置的特性的深度学习模型。通过深度学习模型的增强的预测性能，可以改善设计和制造包括半导体装置的半导体产品的时间和/或成本以及半导体产品的性能。
157.如本领域技术人员将理解的，本公开中的示例实施例可以被体现为系统、方法、计算机程序产品和/或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。计算机可读程序代码可以被提供给通用计算机、专用计算机和/或其它可编程数据处理设备的处理器。计算机可读介质可以是计算机可读信号介质和/或计算机可读存储介质。计算机可读存储介质可以是任何有形介质，其可以包含和/或存储由指令执行系统、设备或装置使用或与指令执行系统、设备或装置结合使用的程序。
158.在本公开中，术语“驱动器”、“单元”和/或“模块”可以表示处理(和/或执行)至少一个功能或操作的元件，并且可以被包括在诸如硬件、软件或硬件和软件的组合的处理电路系统中和/或被实施为该处理电路系统。例如，处理电路系统更具体地可以包括但不限于处理器、中央处理单元(cpu)、控制器、算术逻辑单元(alu)、数字信号处理器、微型计算机、现场可编程门阵列(fpga)、片上系统(soc)、可编程逻辑单元、微处理器、专用集成电路(asic)等(并且/或者被包括在上述这些元件中)。例如，术语“模块”可以指软件组件和/或诸如现场可编程门阵列(fpga)或专用集成电路(asic)的硬件组件、以及/或者硬件组件和软件组件的组合。然而，“模块”不限于软件或硬件。“模块”可被配置为被包括在可寻址存储
介质中或被配置为再现一个或多个处理器。因此，例如，“模块”可以包括诸如以下各项的组件：软件组件、面向对象的软件组件、类组件、任务组件、工艺、功能、属性、过程、子例程、程序代码段、驱动器、固件、微码、电路、数据、数据库、数据结构、表、数组和变量。在组件和“模块”中提供的功能可以与更少数量的组件和“模块”集成，或者被划分成附加的组件和“模块”。
159.示例实施例可以应用于设计和制造任何电子装置和系统。例如，本发明构思可以应用于诸如以下各项的系统：存储卡、固态驱动器(ssd)、嵌入式多媒体卡(emmc)、通用闪存(ufs)、移动电话、智能电话、个人数字助理(pda)、便携式多媒体播放器(pmp)、数码相机、摄像机、个人计算机(pc)、服务器计算机、工作站、膝上型计算机、数字tv、机顶盒、便携式游戏控制台、导航系统、可穿戴装置、物联网(iot)装置、万物联网(ioe)装置、电子书、虚拟现实(vr)装置、增强现实(ar)装置、服务器系统、汽车驾驶系统等。
160.以上是一些示例实施例的说明，并且不应被解释为对其的限制。尽管已经描述了一些示例实施例，但是本领域技术人员将容易地理解的是，在不实质上脱离本发明构思的情况下，可以在示例实施例中进行许多修改。