本公开的各实施例涉及量测领域，更具体地涉及用于光学量测的方法、系统、计算设备和非暂态机器可读存储介质。
背景技术：
随着光栅等精密元件的制造技术的发展，对光栅等待测对象的参数的测量精度以及测量效率的要求日益增高。传统的针对光栅等待测对象的光学测量方案例如包括：首先建立几何模型并模拟计算该几何模型的光学参数并存储至数据库，然后利用米勒矩阵等方式从实验上测量得到测量光学参数的光学值，然后利用搜索算法在数据库中搜索与测量光学参数最为接近的模拟光学参数，以用于计算待测对象的几何参数。
在上述传统的针对光栅等待测对象的光学测量方案中，利用模拟算法针对几何模型的空间范围内的参数都需模拟计算以便得到相应的光学参数，因此需要进行大量计算，并且耗费较长时间。再者，在量测中，通过米勒矩阵测量得到光学值也需要花费较长时间。另外，数据库的规模会随着待测样品所建立的几何模型所用的参数数量以及各个参数的求解范围的增加而呈现出指数型的增加，因此，对于各个参数具有百纳米跨度的变化范围的几何模型而言，在求解待测对象的几何参数上会受到数据库的规模和搜索时间的制约。
综上，传统的针对待测对象的光学测量方案存在计算量大、耗时、并且容易受到关于待测样品的数据库的规模所制约等不足之处。
技术实现要素：
本公开提出了一种用于光学量测的方法、系统、计算设备和非暂态机器可读存储介质，能够准确并且快速地针对待测对象进行光学量测。
根据本公开的第一方面，其提供了一种用于光学量测的方法。该方法包括：基于关于参考模型的几何参数的预设值和色散曲线数据的坐标数据，生成用于输入神经网络模型的输入数据；基于经由多个样本训练的神经网络模型，提取输入数据的特征，以便生成与几何参数的预设值相关联的模拟色散曲线数据，模拟色散曲线数据指示与色散曲线数据的多个坐标数据所对应的多个光学参数；获取关于待测对象的测量色散曲线数据；计算测量色散曲线数据与模拟色散曲线数据的距离，以便确定距离是否符合预定条件；以及响应于确定距离不符合预定条件，基于距离确定用于更新关于参考模型的几何参数的预设值的梯度，以用于基于经更新的预设值经由神经网络模型再次生成模拟色散曲线数据以便再次计算距离。
根据本发明的第二方面，还提供了一种计算设备，该设备包括：至少一个处理单元；至少一个存储器，至少一个存储器被耦合到至少一个处理单元并且存储用于由至少一个处理单元执行的指令，指令当由至少一个处理单元执行时，使得设备执行本公开的第一方面中的方法。
根据本公开的第三方面，还提供了一种计算机可读存储介质。该计算机可读存储介质上存储有计算机程序，计算机程序被机器执行时执行本公开的第一方面的方法。
根据本公开的第四方面，还提供了一种量测系统。该测量系统包括：角分辨光谱仪，被配置成基于入射光对待测对象进行测量，以便生成关于待测对象的光学能带；以及计算设备，其被配置为可操作地以执行根据第一方面的方法。
在一些实施例中，用于光学量测的方法还包括响应于确定距离符合预定条件，基于与用于生成当前模拟色散曲线数据的输入数据所对应的预设值，确定待测对象的几何参数，坐标数据包括：角度和波长、或者频率和波矢
在一些实施例中，基于距离确定用于更新关于参考模型的几何参数的预设值的梯度以用于再次生成模拟色散曲线数据以便再次计算距离包括：基于距离确定用于更新关于参考模型的几何参数的预设值的梯度；基于梯度更新关于参考模型的几何参数的预设值，以便基于更新后的预设值生成更新后的输入数据；以及将更新后的输入数据输入神经网络模型，再次生成与更新后的预设值相关联的模拟色散曲线数据。
在一些实施例中，生成与几何参数的预设值相关联的模拟色散曲线数据包括：基于关于参考模型的预定几何参数和在预定范围内变化的色散曲线数据的坐标数据，经由神经网络模型生成与在预定范围内变化的每一个坐标数据所对应的反射率数据；以及基于在预定范围内变化的每一个坐标数据和与每一个坐标数据所对应的反射率数据，生成模拟色散曲线数据。
在一些实施例中，模拟色散曲线数据包括指示平滑变化的薄膜干涉部分和用于指示突变的光栅能带部分。
在一些实施例中，用于训练神经网络模型的多个样本是基于严格耦合波分析算法或者时域有限差分算法而生成的。
在一些实施例中，用于训练神经网络模型的多个样本是基于严格耦合波分析算法或者时域有限差分算法而生成的经由神经网络模型生成与在预定范围内变化的每一个坐标数据所对应的反射率数据包括：基于关于参考模型的预定几何参数和在预定范围内变化的色散曲线数据的坐标数据生成多个子输入数据；将多个子输入数据分别输入被配置在多个gpu上的多个神经网络模型，多个子输入数据包括相同的预定几何参数和不同的坐标数据；以及经由多个神经网络模型，分别提取对应的子输入数据的特征，以便分别生成与多个子输入数据所包括的坐标数据所对应的多个反射率数据。
在一些实施例中，生成与几何参数的预设值相关联的模拟色散曲线数据包括：随机确定关于参考模型的几何参数的多个初始化预设值；基于多个初始化预设值，经由神经网络模型，分别生成与多个初始化预设值关联的多个候选模拟色散曲线数据；比较多个候选模拟色散曲线数据与测量色散曲线数据之间的多个第一距离，以便基于多个第一距离分别更新多个初始化预设值的梯度，以用于确定使得对应的第一距离达到最小值时的候选模拟色散曲线数据；分别比较多个使得对应的第一距离达到最小值时的候选模拟色散曲线数据与测量色散曲线数据之间的多个第二距离，以便将与最小的第二距离相对应的候选模拟色散曲线数据作为目标色散曲线数据；以及基于目标模拟色散曲线数据，计算待测对象的几何参数。
在一些实施例中，预定条件包括以下一项：测量色散曲线数据与模拟色散曲线数据的欧氏距离最小；以及测量色散曲线数据与模拟色散曲线数据的欧氏距离小于预定阈值。
在一些实施例中，测量色散曲线数据为其中所述测量色散曲线数据为基于所测量的待测对象所处的背景的动量空间的色散曲线数据、光源的动量空间的色散曲线数据和测量的待测对象在动量空间的初始色散曲线数据而获得的待测对象在入射光照射下的动量空间中的色散曲线图像。
还应当理解，发明内容部分中所描述的内容并非旨在限定本公开的实施例的关键或重要特征，亦非用于限制本公开的范围。本公开实施例的其它特征将通过以下的描述变得容易理解。
附图说明
结合附图并参考以下详细说明，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。在附图中，相同或相似的附图标记表示相同或相似的元素，其中：
图1示出了根据本公开的实施例的可以用于光学量测的方法的示例系统的示意图。
图2示出了根据本公开的实施例的用于光学量测的方法的流程图。
图3示出了根据本公开的一个实施例的参考模型的示意图。
图4示出了根据本公开的实施例的用于生成与在预定范围内变化的坐标数据所对应的反射率数据的方法的流程图。
图5示出了根据本公开的实施例的参考模型几何参数与光学参数的映射示意图。
图6示例了根据本公开的实施例的用于生成模拟色散曲线数据的方法的示意图。
图7示出了根据传统模拟计算和本公开神经网络模型分别生成的色散曲线数据的对比图。
图8示出了根据本公开神经网络模型分别生成的模拟色散曲线数据的切片图。
图9示出了根据本公开实施例的测量色散曲线图和模拟色散曲线图的对比示意图。
图10示出了根据本公开的方法求解待测对象量测结果的对比示意图。
图11示出了根据afm测量方法的量测结果和本公开的光学量测方法的量测结果的对比图。
图12示出了根据本公开的实施例的用于计算待测对象的几何参数的方法的流程图。
图13示意性示出了适于用来实现本公开实施例的电子设备的框图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
如前文所描述，传统的针对光栅等待测对象的光学测量方案因为需要针对几何模型的空间范围内的所有参数进行模拟计算，以及对于各个参数具有较大跨度变化范围的几何模型在求解待测对象的几何参数时容易受到数据库的规模所制约等原因，需要进行大量计算，并且耗费较长时间，因而存在运算复杂量测效率较低的不足。
为了至少部分地解决上述问题以及其他潜在问题中的一个或者多个，本公开的示例实施例提出了一种用于光学量测的方案。该方案包括：基于关于参考模型的几何参数的预设值和色散曲线数据的坐标数据，生成用于输入神经网络模型的输入数据；基于经由多个样本训练的神经网络模型，提取输入数据的特征，以便生成与几何参数的预设值相关联的模拟色散曲线数据，模拟色散曲线数据指示与色散曲线数据的多个坐标数据所对应的多个光学参数；获取关于待测对象的测量色散曲线数据；计算测量色散曲线数据与模拟色散曲线数据的距离，以便确定距离是否符合预定条件；以及响应于确定距离不符合预定条件，基于距离确定用于更新关于参考模型的几何参数的预设值的梯度，以用于基于经更新的预设值经由神经网络模型再次生成模拟色散曲线数据以便再次计算距离。
在上述方案中，本公开通过神经网络模型实现参考模型的几何参数与模拟色散曲线数据之间的映射，因此，可以利用少量训练完成的参数来描述从参考模型的几何参数与模拟色散曲线数据之间的映射关系，相较于针对参考模型的空间范围内的所有参数进行模拟计算的传统方法而言，所需时间较短并且无需大量计算。另外，本公开通过基于测量色散曲线数据与模拟色散曲线数据的之间的距离来确定用于更新关于参考模型的几何参数的预设值的梯度，能够在模型空间上进行梯度优化，因此可以在大的求解空间中基于梯度地对最优解进行求解。因此，相对于在庞大数据库中搜索接近值的传统方法，本公开即便对于参数范围跨度大的待测对象也能快速并准确地确定量测结果。因而，本公开能够准确并快速地针对待测对象进行量测。
图1示出了根据本公开的实施例的可以用于光学量测的方法的示例系统100的示意图。如图1所示，系统100包括：光谱测量设备110、计算设备130以及待测对象140。
关于角分辨光谱仪110，其例如可以是角分辨光谱仪。特别地，其可以是反射式角分辨光谱仪。光谱测量设备110可以基于入射光对待测对象140的实际测量而在动量空间生成色散关系图案150，该色散关系图案150中至少指示与待测对象140的关键参数有关的色散曲线数据。图1中也进一步示出了光谱测量设备110(例如是反射式角分辨光谱仪)的示意性结构。反射式角分辨光谱仪是基于傅里叶光学的动量空间光谱成像技术。如图1所示，其主要包括成像光路部分与频谱分析部分。
在成像部分中，光(诸如，自然光)由照明光源116经过起偏器114和物镜112汇聚后入射至待测对象140的表面，待测对象140的反射光再次经过物镜112，在物镜112后焦面处得到待测对象140的傅里叶像；余下的成像光路将物镜后焦面处的傅里叶像成像至频谱分析部分。
频谱分析部分可以主要由光谱仪120，成像器122(诸如2维ccd阵列)以及狭缝118组成。狭缝118用于在待测对象的傅里叶像上选取需要频谱分析的动量坐标。对于傅里叶像(或称为倒空间像、动量空间像)而言，动量坐标例如表示为kx和ky，这里可以在任意的ky处展开。假设需要在ky＝0处进行展开，可以将狭缝118关到最小并对准傅里叶像ky＝0处所对应的直线位置，从而筛选进入光谱仪的动量坐标，进入光谱仪筛选后的线状的傅里叶像将会被按波长展开，成为二维图像成像于诸如2维ccd阵列的成像器上记录。
仅作为示例，本公开的上述光源、物镜、和光谱仪等器件的型号可以如下：
物镜：mplanfln100x@olympus；照明光源：u-lh100l-3@olympus；光谱仪：hrs-300@princetoninstrument；ccd：pixis：1024@princetoninstrument。此外，还需要银镜：me05s-p01@thorlabs，等作为辅助器件。
假定一个待测的蚀刻光栅样品，可以将光栅周期性变化的方向称为kx方向，光栅的刻槽走向称为ky方向，由此测量在预定ky下的动量空间中的色散关系图案，其中该色散关系图案中形成有色散曲线，其中色散曲线反映了该待测对象的关键参数。在光学表示上，色散曲线为光学本征方程的本征值在动量空间中构成的变化轨迹。仅作为示例，可以测量待测光栅样品在s、p光的照射下，沿ky＝0方向在动量空间中的色散关系图案。
关于待测对象140，其例如而不限于为蚀刻光栅。作为待测对象140的示例，图3描述了作为待测对象模型的蚀刻光栅，其中蚀刻光栅的截面形状被示出为等腰梯形，其中可以用四个关键参数来描述该光栅的结构：梯形上底w1，梯形下底w2，刻蚀深度h以及光栅的周期a。需要说明的是：这里的四个关键参数仅仅是示例，对于光栅形貌而言，还可以包括其他的关键参数，譬如侧壁倾斜角度等。
关于计算设备130，其用于利用基于多个样本训练用于生成模拟色散曲线数据的神经网络模型；基于关于参考模型的几何参数的预设值和色散曲线数据的坐标数据生成输入数据；将输入数据输入经训练的神经网络模型以便生成与几何参数的预设值相关联的模拟色散曲线数据；计算测量色散曲线数据与模拟色散曲线数据的距离以便确定距离是否符合预定条件；以及在距离不符合预定条件的情况下，基于距离确定用于更新关于参考模型的几何参数的预设值的梯度，以用于基于经更新的预设值经由神经网络模型再次生成模拟色散曲线数据以便再次计算距离，以及如果确定距离符合预定条件时，基于与用于生成当前模拟色散曲线数据的输入数据所对应的预设值，确定待测对象的几何参数。
计算设备130可以具有一个或多个处理单元，包括诸如gpu、fpga和asic等的专用处理单元以及诸如cpu的通用处理单元。另外，在每个计算设备130上也可以运行着一个或多个虚拟机。计算设备130例如包括输入数据生成单元132、模拟色散曲线数据生成单元134、测量色散曲线数据生成单元136、距离确定单元138、预设值的梯度计算单元140和待测对象几何参数确定单元142。
关于输入数据生成单元132，基于关于参考模型的几何参数的预设值和色散曲线数据的坐标数据，生成用于输入神经网络模型的输入数据。
关于模拟色散曲线数据生成单元134，基于经由多个样本训练的神经网络模型，提取输入数据的特征，以便生成与几何参数的预设值相关联的模拟色散曲线数据，模拟色散曲线数据指示与色散曲线数据的多个坐标数据所对应的多个光学参数。
关于测量色散曲线数据获取单元136，其用于获取关于待测对象的测量色散曲线数据。
关于距离确定单元138，计算测量色散曲线数据与模拟色散曲线数据的距离，以便确定距离是否符合预定条件。
关于预设值的梯度计算单元140，其用于响应于确定距离不符合预定条件，基于距离确定用于更新关于参考模型的几何参数的预设值的梯度，以用于基于经更新的预设值经由神经网络模型再次生成模拟色散曲线数据以便再次计算距离。
关于待测对象几何参数确定单元142，其用于响应于确定距离不符合预定条件，基于距离确定用于更新关于参考模型的几何参数的预设值的梯度，以用于基于经更新的预设值经由神经网络模型再次生成模拟色散曲线数据以便再次计算距离。
下文将结合图2、图3、图5至图8来具体说明用于光学量测的方法200。图2示出了根据本公开的实施例的用于光学量测的方法200的流程图。应当理解，方法200例如可以在图13所描述的电子设备1300处执行。也可以在图1所描述的计算设备130处执行。应当理解，方法200还可以包括未示出的附加组成部分、动作和/或可以省略所示出的组成部分、动作，本公开的范围在此方面不受限制。
在步骤202处，计算设备130基于关于参考模型的几何参数的预设值和色散曲线数据的坐标数据，生成用于输入神经网络模型的输入数据。
关于参考模型，其用于提供建立几何参数至模拟色散曲线数据之间映射关系的建模基础。该参考模型例如而不限于是如图3所示的参考模型300。图3示出了根据本公开的一个实施例的参考模型的示意图。如图3所示，参考模型300例如为等腰梯形，参考模型300的几何参数例如包括梯形上底w1、梯形下底w2、光栅的周期a以及刻蚀深度h。在一些实施例中，梯形上底w1或者梯形下底w2的范围例如为150nm至380nm。光栅的周期a的范围例如为380nm至520nm。
关于神经网络模型，其用于生成模拟色散曲线数据。神经网络模型例如可以基于python(例如3.6.8版本)、tensorflow-gpu(例如1.13.1版本)、或者cuda(例如10.0版本)来进行构件。作为示例，神经网络模型例如而不限于包括17层网络，每层网络例如具有60个神经元，每层神经网络例如采用leakyrelu函数作为非线性函数。每两层网络之间配置有一条捷径以便构成一个残差块。由此来提升神经网络模型的网络性能。
关于神经网络模型的输入数据，其例如是基于参考模型的几何参数和模拟色散曲线数据(例如为模拟色散曲线图)的坐标数据而生成。例如，输入数据为6个参数，其中前4个参数为参考模型300的几何参数，例如梯形上底w1、梯形下底w2、光栅的周期a以及刻蚀深度h；输入数据的后2个参数为模拟色散曲线图上的坐标数据，该坐标数据例如包括：角度和波长、或者频率和波矢。
关于神经网络模型的输出数据，其例如是与色散曲线数据的多个坐标数据所对应的多个光学参数。例如，输出数据为一个或者多个参数，该参数例如为与该参考模型几何参数和模拟色散曲线数据的坐标数据相对应的反射率。
在步骤204处，计算设备130基于经由多个样本训练的神经网络模型，提取输入数据的特征，以便生成与几何参数的预设值相关联的模拟色散曲线数据，模拟色散曲线数据指示与色散曲线数据的多个坐标数据所对应的多个光学参数。
下文将结合图5和6来说明关于生成模拟色散曲线数据的方法。图5示出了根据本公开的实施例的参考模型几何参数与光学参数的映射示意图。如图5所示，标记510代表参考模型的几何参数空间。标记520代表参考模型的光学参数空间。标记530代表经由多个样本训练的神经网络模型。实线532代表参考模型的几何参数经由神经网络模型正向映射到光学参数。虚线534代表由光学参数求解参考模型的几何参数。
图6示例出根据本公开的实施例的用于生成模拟色散曲线数据的方法600的示意图。输入数据(θ；x)＝(w1，w2，，a，h；θ，λ)例如包括四个几何参数(例如梯形上底w1、梯形下底w2、光栅的周期a、刻蚀深度h)、两个坐标数据(例如角度θ和波长λ)。该输入数据被输入神经网络模型620，用以生成输出数据630。该输出数据为与两个坐标数据对应的光学参数(例如发射率)。其中，角度θ的测量范围为0至50度，波长λ的测量范围例如是1至1.6微米。计算设备130例如以1度为间隔改变角度θ，以3纳米为间隔改变波长λ。对于梯形上底w1、梯形下底w2、光栅的周期a、刻蚀深度h以及每一次改变的角度θ和波长λ，经由神经网络模型620生成二维色散曲线数据640上的对应点，即该角度和波长坐标对应的光学参数。基于0至50度之间变化的角度θ，以及在0.9至1.7微米之间变化波长λ，可以生成如图6所示的、横坐标是角度、纵坐标为波长的二维色散曲线数据640。
在一些实施例中，模拟色散曲线数据包括指示平滑变化的薄膜干涉部分和用于指示突变的光栅能带部分。
图7示例出根据传统模拟计算和本公开神经网络模型分别生成的色散曲线数据的对比图。如图7所示，标记710指示在p偏振光下的经由传统的模拟计算生成的色散曲线数据，标记720指示在p偏振光下的经由本公开神经网络模型所生成的模拟色散曲线数据。标记712指示在s偏振光下的经由传统的模拟计算生成的色散曲线数据，标记722指示在s偏振光下的经由本公开神经网络模型所生成的模拟色散曲线数据。
图8示例出根据本公开神经网络模型分别生成的模拟色散曲线数据的切片图。图8示出了针对p偏振光下的模拟色散曲线数据以每10度为单位的切片图810，以及针对s偏振光下的模拟色散曲线数据以每10度为单位的切片图812。以在s偏振光下的模拟色散曲线数据的切片图812为例，经由本公开神经网络模型所生成的模拟色散曲线数据包括指示平滑变化的薄膜干涉部分822和用于指示突变的光栅能带部分824。通过采用上述手段，本公开可以快速生成准确的模拟色散曲线图。另外，由于经由神经网络模型可以逐点生成与每个波长和角度坐标数据对应的光学参数，以便基于多个坐标数据所对应的多个光学参数形成模拟色散曲线图，因此，本公开可以使得模拟色散曲线图中包括尖锐突变的光栅能带部分，而传统的基于模拟算法生成的模拟色散曲线图因连续点之间的关联性而无法准确地生成尖锐的突变的光栅能带部分。
关于训练神经网络模型的方式可以采用多种。在一些实施例中，用于训练神经网络模型的多个样本是基于严格耦合波分析算法或者时域有限差分算法而生成的。关于参数范围，4个几何参数的参数范围由参考模型的结构参数范围所确定。模拟色散曲线图上的坐标数据的参数范围例如是基于角分辨光谱的测量范围而确定，例如波长的参数范围为0.9至1.7微米，角度的参数范围为0至50度。例如，计算设备130在6个参数的参数范围中进行随机采样，以便生成数据样本训练数据集。每个样本数据包括6个输入参数和与该输入参数所对应的反射率值。例如，通过随机采样计算了10000个输入参数及这些输入参数所对应的反射率值，然后将其存储一个文件中。
在神经网络模型的训练过程中，计算设备130例如采用adam随机梯度下降法进行训练。采用adam随机梯度下降法的原因在于其计算效率较高，能够适应较大的数据集，效果比较好。例如，将学习率配置为0.001，每训练100轮缩小为1/10。神经网络模型经过500轮次的训练，训练时间例如约为5小时。神经网络模型训练完成后，计算设备130固定神经网络模型的各项参数，以便利用该神经网络模型进行待测对象几何参数的求解。
关于生成模拟色散曲线数据的方法，其例如包括：基于关于参考模型的预定几何参数和在预定范围内变化的色散曲线数据的坐标数据，经由神经网络模型生成与在预定范围内变化的每一个坐标数据所对应的反射率数据；以及基于在预定范围内变化的每一个坐标数据和与每一个坐标数据所对应的反射率数据，生成模拟色散曲线数据。在传统的利用模型参数直接映射至色散曲线图的方法中，因点与点之间存在很强的关联性，因而难以准确地生成尖锐突变的光栅能带部分。相比较而言，本公开通过基于在预定范围内变化的每一个坐标数据和所对应的反射率数据逐点地生成模拟色散曲线数据，因而本公开可以使得模拟色散曲线图中准确地生成尖锐突变的光栅能带部分。另外，本公开的神经网络模型基于坐标数据逐点式地生成能带，因此神经网络模型的体积非常小，封装完成后神经网络模型所占的存储空间仅有1mb左右，远小于直接生成模拟色散曲线图所需网络的规模。
在步骤206处，计算设备130获取关于待测对象的测量色散曲线数据。如前文所述，该测量色散曲线数据例如是光谱测量设备110基于入射光对待测对象140的实际测量而在动量空间生成色散曲线图案。在一些实施例中，计算设备130获取来自光谱测量设备110的色散曲线数据后，根据动量-角度转换公式和阿贝正弦条件将测得的光栅样品色散曲线变换为在动量-波长坐标下，或角度-波长坐标下的测量色散曲线数据。在一些实施例中，计算设备130还可以对所获取的测量色散曲线数据在进行步骤208的处理之前经过图像光滑和降采样处理。
关于测量待测对象的色散曲线数据的方式，在一些实施例中，为了提高所获得的待测对象在动量空间的色散关系图案的准确性，在测量色散曲线数据时，需要考虑待测对象的背景的动量空间的色散曲线图和光源的动量空间的色散曲线图两者对待测对象在动量空间的色散曲线图的影响。因此，光谱测量设备110可以基于所测量的待测对象所处的背景的动量空间的色散曲线数据、光源的动量空间的色散曲线数据和实测的待测对象在动量空间的初始色散曲线数据，获得待测对象在入射光(例如，偏振光)照射下的动量空间中的色散曲线数据。例如，光谱测量设备110依次测量待测对象所处的背景的动量空间的色散曲线图ibackground，m，光源的动量空间的色散曲线图isource，m和实测的待测对象在动量空间的初始色散曲线图isample，m，那么，考虑了上述影响的待测对象在动量空间的色散曲线图isample可以表述如下：
作为示例，首先，可以使物镜对着空载物台测量背景下的动量空间图像ibackground，m；再将载物台上放上银镜，测量光源的动量空间图像isource，m，测量银镜时需要物镜对焦与银镜表面，可使用光阑帮助对焦；最后放上待测对象，调节待测对象表面至水平，光栅方向沿ky＝0方向以及物镜对焦于样品表面，测量待测对象的动量空间图像isample，m；然后根据上述示例性公式(1)获得待测对象在入射光(例如，偏振光)照射下的动量空间中的色散曲线图isample。
在一些实施例中，上述测量背景可以是指暗背景，即指在无输入信号时，探测器所接受到的背景信号。
在一些实施例中，对于多个待测样品的情况下，背景和光源只需一次测量，但在切换入射光的偏振时，由于偏振片的影响，需要重新对背景与光源测量。在又一些实施例中，如果不使用偏振片，或偏振片固定不变，则无需对测量系统进行改变。
在步骤208处，计算设备130计算测量色散曲线数据与模拟色散曲线数据的距离。
关于距离计算方式，其例如是计算设备130计算测量色散曲线数据与模拟色散曲线数据之间的欧式距离。以下结合公式(2)说明用于计算测量色散曲线数据与模拟色散曲线数据之间的欧式距离的方式。
c(rsim，rexp)＝∑i，j[rsim(i，j)-rexp(i，j)]2(2)
在上述公式(2)中，rsim(i，j)代表神经网络模型生成的模拟色散曲线数据(例如视色散曲线图)。rexp(i，j)代表测量色散曲线数据。i，j代表色散曲线数据的坐标数据。c(rsim，rexp)代表测量色散曲线数据与模拟色散曲线数据之间的欧式距离。
在步骤210处，计算设备130确定距离是否符合预定条件。
关于预定条件，其例如包括以下一项：测量色散曲线数据与模拟色散曲线数据的欧氏距离最小；以及测量色散曲线数据与模拟色散曲线数据的欧氏距离小于预定阈值。
在步骤212处，如果计算设备130确定距离不符合预定条件，基于距离确定用于更新关于参考模型的几何参数的预设值的梯度，以用于基于经更新的预设值经由神经网络模型再次生成模拟色散曲线数据以便再次计算距离。例如，在步骤212处再次生成模拟色散曲线数据之后，返回步骤208，计算测量色散曲线数据与步骤212处再次生成模拟色散曲线数据之间的距离，然后在步骤210判断该再次计算的距离是否符合预定条件。如果该再次计算的距离依然不符合预定条件，则重复进行步骤212处步骤，直至距离符合预定条件。
关于预设值的梯度的确定方法，其例如包括：计算设备130基于步骤208处所计算的测量色散曲线数据与模拟色散曲线数据之间距离的来确定用于更新关于参考模型的几何参数的预设值的梯度。例如，通过神经网络模型来计算该距离函数所对应的参考模型的参数空间中的变化梯度。
关于更新预设值的梯度以用于再次生成模拟色散曲线数据的方法例如包括：计算设备130基于距离确定用于更新关于参考模型的几何参数的预设值的梯度；基于梯度更新关于参考模型的几何参数的预设值，以便基于更新后的预设值生成更新后的输入数据；以及将更新后的输入数据输入神经网络模型，再次生成与更新后的预设值相关联的模拟色散曲线数据。
关于用于更新预设值的梯度的算法可以包括多种。例如，可以采用牛顿法、高斯牛顿迭代法(gauss-newtoniterationmethod)、贪心算法或上述算法的组合来更新预设值的梯度。牛顿法的基本思想是采用多项式函数来逼近给定的函数值，然后求出极小点的估计值，采用牛顿法更新预设值的梯度，其收敛速度快。高斯牛顿迭代法为牛顿法的改进，其使用泰勒级数展开式去近似地代替非线性回归模型，然后通过多次迭代，多次修正回归系数，使回归系数不断逼近非线性回归模型的最佳回归系数，最后使原模型的残差平方和达到最小。在步骤214处，如果计算设备130确定距离符合预定条件，基于与用于生成当前模拟色散曲线数据的输入数据所对应的预设值，确定待测对象的几何参数，坐标数据包括：角度和波长、或者频率和波矢。
例如，由更新后的参考模型的几何参数经由神经网络模型做正向映射，再次生成模拟色散曲线数据(例如色散曲线图)，并且再次计算测量色散曲线数据与模拟色散曲线数据之间的距离，以确定该距离是否符合预定条件。通过该过程循环往复来更新参考模型的几何参数，例如，经由上述循环200轮，更新的学习率初始为0.02，且每100轮变为1/10，确定测量色散曲线数据与当前模拟色散曲线数据之间的距离符合预定条件，例如该距离最小，表明此时的测量色散曲线数据与当前模拟色散曲线数据一致性最好，则基于与用于生成当前模拟色散曲线数据的输入数据所对应的参考模型的几何参数预设值来确定待测对象的几何参数。所确定的几何参数可以作为待测对象的量测结果的输出。在一些实施例中，计算设备130还输出对应距离最小时的测量色散曲线数据与模拟色散曲线数据的对比图。在上述方案中，本公开通过神经网络模型实现参考模型的几何参数与模拟色散曲线数据之间的映射，因此，可以利用少量训练完成的参数来描述从参考模型的几何参数与模拟色散曲线数据之间的映射关系，相较于针对参考模型的空间范围内的所有参数进行模拟计算的传统方法而言，所需时间较短并且无需大量计算。另外，本公开通过基于测量色散曲线数据与模拟色散曲线数据的之间的距离来确定用于更新关于参考模型的几何参数的预设值的梯度，能够在模型空间上进行梯度优化，因此可以在大的求解空间中基于梯度地对最优解进行求解。因此，相对于在庞大数据库中搜索接近值的传统方法，本公开即便对于参数范围跨度大的待测对象也能快速并准确地确定量测结果。因而，本公开能够准确并快速地针对待测对象进行量测。
图9示出了根据本公开实施例的测量色散曲线图和模拟色散曲线图的对比示意图。其中，如图9所示，标记910指示在p偏振光下的测量色散曲线图。标记920指示在p偏振光下的经由确定对应距离最小而选择的模拟色散曲线图。标记912指示在s偏振光下的测量色散曲线图。标记922指示在s偏振光下的经由确定对应距离最小而选择的模拟色散曲线。
图10示出了根据本公开的方法求解待测对象量测结果的对比示意图。标记1010指示在p偏振光下的测量色散曲线图(图10中缩写exp所代表)、目标模拟色散曲线图(即，对应与测量色散曲线图距离最小时的模拟色散曲线，图10中缩写gen所代表)和afm测量色散曲线图(图10中缩写afm所代表)的切片图对比情况。标记1030指示在s偏振光下的测量色散曲线图、目标模拟色散曲线图和afm测量色散曲线图的切片图对比情况。小间隔的虚线1014指示实验测得的色散曲线图的切片图。实线1016指示利用本公开方法找到的关于待测对象的几何参数的最优解(与测量色散曲线图距离最小)所对应的色散曲线图的切片。大间隔虚线1012(或者大间隔虚线1032)指示利用afm测量方法所得到的几何参数后通过rcwa算法计算得到的色散曲线图的切片。
图11示出了根据afm测量方法的量测结果和本公开的光学量测方法的量测结果的对比图。通过对同一待测对象上的多块光栅区域进行了afm测量方法的量测结果和本公开的光学量测方法的量测结果进行对比，其中以afm测量方法所得到的量测结果作为横坐标数据，以本公开的光学量测方法所得到的量测结果作为纵坐标数据，对两种方法进行线性回归，其中梯形上底w1、梯形下底w2、光栅的周期a这三个参数都达到了很高的一致性r2(0.980～0.999)。另外，由于同一待测对象的以及刻蚀深度h往往非常接近，如果只讨论以及刻蚀深度h的方差，以及刻蚀深度h的方差结果小于一个纳米。另外，利用本公开方法求解待测对象的几何参数的求解过程大约需要20秒。因此，本公开能够准确并且快速地针对光栅等待测对象进行量测。
图4示出了根据本公开的实施例的用于生成与在预定范围内变化的坐标数据所对应的反射率数据的方法400的流程图。应当理解，方法400例如可以在图13所描述的电子设备1300处执行。也可以在图1所描述的计算设备130处执行。应当理解，方法400还可以包括未示出的附加组成部分、动作和/或可以省略所示出的组成部分、动作，本公开的范围在此方面不受限制。
在步骤402处，计算设备130基于关于参考模型的预定几何参数和在预定范围内变化的色散曲线数据的坐标数据生成多个子输入数据。
在步骤404处，计算设备130将多个子输入数据分别输入被配置在多个gpu上的多个神经网络模型，多个子输入数据包括相同的预定几何参数和不同的坐标数据。
在步骤406处，计算设备130经由多个神经网络模型，分别提取对应的子输入数据的特征，以便并性地生成与多个子输入数据所包括的坐标数据所对应的多个反射率数据。
通过采用上述手段，本公开可以并行地生成与坐标数据对应的反射率数据，利于快速地生成模拟色散曲线图，以便快速地求解待测对象的量测结果。
在一些实施例中，为了防止算法收敛至局部最优解，方法200还包括用于生成模拟色散曲线数据的方法1200。图12示出了根据本公开的实施例的用于计算待测对象的几何参数的方法1200的流程图。应当理解，方法1200例如可以在图13所描述的电子设备1300处执行。也可以在图1所描述的计算设备130处执行。应当理解，方法1200还可以包括未示出的附加组成部分、动作和/或可以省略所示出的组成部分、动作，本公开的范围在此方面不受限制。
在步骤1202处，计算设备130随机确定关于参考模型的几何参数的多个初始化预设值。例如，计算设备130同时在参考模型的几何参数的参数范围内随机初始化n个初始化预设值。n例如而不限于选取为15。
在步骤1204处，计算设备130基于多个初始化预设值，经由神经网络模型，分别生成与多个初始化预设值关联的多个候选模拟色散曲线数据。例如，计算设备130基于15个上述关于参考模型的几何参数和坐标数据的多个初始化预设值生成用于输入神经网络模型的输入参数，并且经由神经网络模型生成15个候选模拟色散曲线数据。
在步骤1206处，计算设备130比较多个候选模拟色散曲线数据与测量色散曲线数据之间的多个第一距离，以便基于多个第一距离分别更新多个初始化预设值的梯度，以用于确定使得对应的第一距离达到最小值时的候选模拟色散曲线数据。例如，根据前述公式(1)分别计算15个候选模拟色散曲线数据与测量色散曲线数据之间的欧式距离。然后基于各个欧式距离确定用于更新多个初始化预设值的各个梯度。之后基于各个梯度更新各对应的初始化预设值，然后基于经更新后的各初始化预设值经由神经网络模型再次计算更新后的候选模拟色散曲线数据。然后再根据重新计算的多个第一距离再次确定用于更新多个初始化预设值的各个梯度，如此循环往复，直至确定使得对应的第一距离达到最小值时的候选模拟色散曲线数据。例如在各自完成200轮计算后，分别确定15个使得对应的第一距离达到最小值时的候选模拟色散曲线数据。
在步骤1208处，计算设备130分分别比较多个使得对应的第一距离达到最小值时的候选模拟色散曲线数据与测量色散曲线数据之间的多个第二距离，以便将与最小的第二距离相对应的候选模拟色散曲线数据作为目标色散曲线数据。例如，计算设备130横向比较15个使得对应的第一距离达到最小值时的候选模拟色散曲线数据与测量与测量色散曲线数据之间的多个第二距离的大小，选择使得第二距离最小时的候选模拟色散曲线数据作为目标色散曲线数据。
在步骤1210处，计算设备130基于目标模拟色散曲线数据，计算待测对象的几何参数。例如，计算设备130选取第二距离函数最小的一组参考模型的几何参数作为待测对象的最终量测结果的输出。
研究表明，利用上述方法求解待测对象的几何参数的求解过程大约需要20秒。可见本公开所消耗的时间远远小于传统的光学量测方法。
通过采用上述技术手段，本公开能够增加量测结果的鲁棒性，能够使得最终确定的模拟色散曲线图与测量色散曲线图最为接近，以及防止算法收敛至局部最优解。
图13示意性示出了适于用来实现本公开实施例的电子设备1300的框图。设备1300可以是用于实现执行图2、4、6所示的方法200、400、600和1200的设备。如图13所示，设备1300包括中央处理单元(cpu)1301，其可以根据存储在只读存储器(rom)1302中的计算机程序指令或者从存储单元1308加载到随机访问存储器(ram)1303中的计算机程序指令，来执行各种适当的动作和处理。在ram1303中，还可存储设备1300操作所需的各种程序和数据。cpu1301、rom1302以及ram1303通过总线1304彼此相连。输入/输出(i/o)接口1305也连接至总线1304。
设备1300中的多个部件连接至i/o接口1305，包括：输入单元1306、输出单元1307、存储单元1308，处理单元1301执行上文所描述的各个方法和处理，例如执行方法200、400、600和1200。例如，在一些实施例中，方法200、400、600和1200可被实现为计算机软件程序，其被存储于机器可读介质，例如存储单元1308。在一些实施例中，计算机程序的部分或者全部可以经由rom1302和/或通信单元1309而被载入和/或安装到设备1300上。当计算机程序加载到ram1303并由cpu1301执行时，可以执行上文描述的方法的一个或多个操作。备选地，在其他实施例中，cpu1301可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行方法200、400、600和1200的一个或多个动作。
需要进一步说明的是，本公开可以是方法、装置、系统和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于执行本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是但不限于电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、静态随机存取存储器(sram)、便携式压缩盘只读存储器(cd-rom)、数字多功能盘(dvd)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(isa)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，该编程语言包括面向对象的编程语言—诸如smalltalk、c 等，以及常规的过程式编程语言—诸如“c”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(fpga)或可编程逻辑阵列(pla)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、设备(系统)、和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给语音交互装置中的处理器、通用计算机、专用计算机或其它可编程数据处理装置的处理单元，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理单元执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的设备、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，该模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
此外，将会理解，上面描述的流程仅仅是示例。尽管说明书中以特定的顺序描述了方法的步骤，但是这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果，相反，描绘的步骤可以改变执行顺序。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。
虽然已经在附图和前述描述中详细说明和描述了本发明，但这些说明和描述应被认为是说明性的或示例性的而不是限制性的；本发明不限于所公开的实施例。本领域技术人员在实践所请求保护的发明中，通过研究附图、公开和所附权利要求可以理解并且实践所公开的实施例的其它变体。
在权利要求中，词语“包括”并不排除其它元件，并且不定冠词“一”或“一个”不排除多个。单个元件或其它单元可以满足在权利要求中阐述的多个项目的功能。仅在互不相同的实施例或从属权利要求中记载某些特征的仅有事实，并不意味着不能有利地使用这些特征的组合。在不脱离本申请的精神和范围的情况下，本申请的保护范围涵盖在各个实施例或从属权利要求中记载的各个特征任何可能组合。
此外，在权利要求中的任何参考标记不应被理解为限制本发明的范围。
1.一种用于光学量测的方法，包括：
基于关于参考模型的几何参数的预设值和色散曲线数据的坐标数据，生成用于输入神经网络模型的输入数据；
基于经由多个样本训练的所述神经网络模型，提取所述输入数据的特征，以便生成与所述几何参数的预设值相关联的模拟色散曲线数据，所述模拟色散曲线数据指示与色散曲线数据的多个坐标数据所对应的多个光学参数；
获取关于待测对象的测量色散曲线数据；
计算所述测量色散曲线数据与所述模拟色散曲线数据的距离，以便确定所述距离是否符合预定条件；以及
响应于确定所述距离不符合预定条件，基于所述距离确定用于更新关于参考模型的几何参数的预设值的梯度，以用于基于经更新的预设值经由所述神经网络模型再次生成模拟色散曲线数据以便再次计算所述距离。
2.根据权利要求1所述的方法，还包括：
响应于确定所述距离符合预定条件，基于与用于生成当前模拟色散曲线数据的所述输入数据所对应的预设值，确定所述待测对象的几何参数，所述坐标数据包括：角度和波长、或者频率和波矢。
3.根据权利要求1所述的方法，其中基于所述距离确定用于更新关于参考模型的几何参数的预设值的梯度以用于再次生成模拟色散曲线数据以便再次计算所述距离包括：
基于所述距离，确定用于更新关于参考模型的几何参数的预设值的梯度；
基于所述梯度，更新关于参考模型的几何参数的预设值，以便基于更新后的预设值生成更新后的输入数据；以及
将更新后的输入数据输入所述神经网络模型，再次生成与所述更新后的预设值相关联的模拟色散曲线数据。
4.根据权利要求1所述的方法，其中生成与所述几何参数的预设值相关联的模拟色散曲线数据包括：
基于关于所述参考模型的预定几何参数和在预定范围内变化的色散曲线数据的坐标数据，经由所述神经网络模型生成与在预定范围内变化的每一个坐标数据所对应的反射率数据；以及
基于在预定范围内变化的每一个坐标数据和与所述每一个坐标数据所对应的反射率数据，生成所述模拟色散曲线数据。
5.根据权利要求1所述的方法，其中所述模拟色散曲线数据包括指示平滑变化的薄膜干涉部分和用于指示突变的光栅能带部分。
6.根据权利要求1所述的方法，其中用于训练所述神经网络模型的多个样本是基于严格耦合波分析算法或者时域有限差分算法而生成的。
7.根据权利要求4所述的方法，其中经由所述神经网络模型生成与在预定范围内变化的每一个坐标数据所对应的反射率数据包括：
基于关于参考模型的预定几何参数和在预定范围内变化的色散曲线数据的坐标数据生成多个子输入数据；
将所述多个子输入数据分别输入被配置在多个gpu上的多个神经网络模型，所述多个子输入数据包括相同的所述预定几何参数和不同的坐标数据；以及
经由所述多个神经网络模型，分别提取对应的子输入数据的特征，以便分别生成与多个子输入数据所包括的坐标数据所对应的多个反射率数据。
8.根据权利要求1所述的方法，其中生成与所述几何参数的预设值相关联的模拟色散曲线数据包括：
随机确定关于所述参考模型的几何参数的多个初始化预设值；
基于所述多个初始化预设值，经由所述神经网络模型，分别生成与多个初始化预设值关联的多个候选模拟色散曲线数据；
比较所述多个候选模拟色散曲线数据与所述测量色散曲线数据之间的多个第一距离，以便基于所述多个第一距离分别更新多个初始化预设值的梯度，以用于确定使得对应的第一距离达到最小值时的候选模拟色散曲线数据；
分别比较多个使得对应的第一距离达到最小值时的候选模拟色散曲线数据与所述测量色散曲线数据之间的多个第二距离，以便将与最小的第二距离相对应的候选模拟色散曲线数据作为目标色散曲线数据；以及
基于所述目标模拟色散曲线数据，计算所述待测对象的几何参数。
9.根据权利要求1所述的方法，其中预定条件包括以下一项：
所述测量色散曲线数据与所述模拟色散曲线数据的欧氏距离最小；以及
所述测量色散曲线数据与所述模拟色散曲线数据的欧氏距离小于预定阈值。
10.根据权利要求1所述的方法，其中所述测量色散曲线数据为基于所测量的待测对象所处的背景的动量空间的色散曲线数据、光源的动量空间的色散曲线数据和测量的待测对象在动量空间的初始色散曲线数据而获得的待测对象在入射光照射下的动量空间中的色散曲线图像。
11.一种计算设备，包括：
存储器，被配置为存储一个或多个计算机程序；以及
处理器，耦合至所述存储器并且被配置为执行所述一个或多个程序以使量测装置执行根据权利要求1-10任一项所述的量测方法。
12.一种非暂态机器可读存储介质，其上存储有机器可读程序指令，所述机器可读程序指令被配置为使得量测装置执行根据权利要求1-10中任一项所述的量测方法的步骤。
13.一种量测系统，包括：
角分辨光谱仪，被配置成基于入射光对待测对象进行测量，以便生成关于待测对象的光学能带；以及
计算设备，其被配置为可操作地以执行根据权利要求1-10中任一项所述的量测方法。
技术总结