CN110376843B - 光刻掩模光学修正的方法、装置及计算机可读存储介质 - Google Patents

Abstract

本发明涉及制备光学临近校正(OPC)设计工艺技术领域，具体而言，涉及一种光刻掩模光学修正的方法、装置及计算机可读存储介质。本发明提供一种光刻掩模光学修正的方法，包括：对修正前数据进行处理，得到基于多个分类的修正前数据；对所述基于多个分类的修正前数据进行光学临近修正，得到多个分类的修正后数据；使用修正模块对修正后数据进行确定，得到修正后数据。

Description

光刻掩模光学修正的方法、装置及计算机可读存储介质

技术领域

本发明涉及制备光学临近校正(OPC)设计工艺技术领域，具体而言，涉及一种光刻掩模光学修正的方法、装置及计算机可读存储介质。

背景技术

计算光刻就是使用计算机来模拟、仿真光刻的光学和化学过程，从理论上探索增大光刻分辨率和工艺窗口的途径，指导工艺参数的优化。在一段时期内，光刻工艺分辨率的提高完全依赖于所谓的分辨率增强技术，包括优化光照条件使得图形的分辨率达到最佳、光学邻近效应修正(OPC)以及添加曝光辅助图形。随着技术节点的推进，计算光刻的模型也越来越复杂，所需要的计算时间也更多。因此，计算光刻的运算量巨大，需要多个CPU并行计算。

基于模型的邻近效应修正技术(OPC)的关键在于建立精确的光刻模型，包括光学模型和光刻胶模型。一层设计有上千万个图形，一个好的模型不仅要求精度高而且要求计算速度快。为了实现快速处理大容量的设计数据，修正软件中的模型都采用近似模型。这些近似模型中包含一系列的参数，这些参数通过实验数据来拟合，以保证模型的精确度。由于光学邻近效应修正(OPC)软件中的模型是半经验的，因此，实验数据越多，模型中的参数就会拟合得越准确。但是，太多的测试图形，又使得晶圆数据的收集量太大。

因此，如何从设计的掩膜版图中提取出关键的图形，这些关键图形尽可能包括光刻困难和复杂的图形，并且把相似的图形归成一类，在同一类图形中选取有代表性的图像作为测试图形放置在光学邻近效应修正(OPC)测试掩模上，从而降低计算机运算量、提高光学邻近效应修正的精度，成为了一个逞待解决的问题。

发明内容

本发明的目的在于提供一种光刻掩模光学修正的方法、装置及计算机可读存储介质，通过建立未经光学修正的分类模型，根据光学修正前同类中的修正前数据以及光学修正后数据建立修正模型。从而把相似的图形归成一类，将同一类中代表性的图像作为测试图形放置在光学邻近效应修正(OPC)测试掩模上，从而降低计算机运算量、提高光学邻近效应修正的精度。

本发明的实施例是这样实现的：

本发明实施例的第一方面提供一种光刻掩模光学修正的方法，主要包括：

对修正前数据进行处理，得到基于多个分类的修正前数据；

对所述基于多个分类的修正前数据进行光学临近修正，得到多个分类的修正后数据；

利用修正模块对修正后数据进行确定，得到修正后数据。

可选地，所述对修正前数据进行处理，包括：

将修正前数据划分成n个集合，所述集合包括一个几何图形及其周围对它有影响的几何图形；

分别获取所述n个集合的面积的值；

将所述获取的n个集合的面积的值从小到大等额增加划分成n个分类并对所述分类标记；

基于所述修正前数据和所述分类标记，生成训练集；

利用所述训练集对初始模型进行训练，得到分类确定模型。

可选地，所述分类确定模型包括神经网络模型或神经网络模型与非神经网络模型的混合模型。

可选地，所述神经网络模型基于以下训练方法获得：

获取训练集，所述训练集包括所述修正前数据和所述分类；

利用所述训练集对初始模型进行训练，获得神经网络模型。

可选地，所述修正模块包括神经网络模型或神经网络模型与非神经网络模型的混合模型。

可选地，对所述基于多个分类的修正前数据进行光学临近修正的实现包括：基于经验的光学邻近修正和基于模型的光学邻近修正。

可选地，所述修正模块的实现步骤包括：

获取多个分类的修正前数据；

获取相应多个分类的修正后数据；

获取大于等于50%所述多个分类的修正前数据和大于等于50%所述多个分类的修正后数据，生成训练集；

利用所述训练集对初始模型进行训练，得到修正后数据确定模型；

获取剩余部分所述多个分类的修正前数据和剩余部分所述多个分类的修正后数据，生成测试集；

利用所述测试集对所述修正后数据确定模型进行验证。

可选地，还包括所述分类的修正前数据和修正后数据之间的边缘放置误差需满足所述分类标记。

本发明实施例的第二方面提供一种光刻掩模光学修正的装置，其特征在于，所述装置包括至少一个处理器以及至少一个存储器；

所述至少一个存储器用于存储计算机指令；

所述至少一个处理器用于执行所述计算机指令中的至少部分指令以实现如第一方面提供任意一项所述的操作。

本发明实施例的第三方面提供一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，当所述计算机指令中的至少部分指令被处理器执行时，实现如第一方面提供任意一项的操作。

本发明实施例的有益效果包括：通过建立未经光学修正的分类模型，根据光学修正前同类中的修正前数据以及光学修正后数据建立修正模型。从而把相似的图形归成一类，将同一类中代表性的图像作为测试图形放置在光学邻近效应修正(OPC)测试掩模上，从而降低计算机运算量、提高光学邻近效应修正的精度。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1示出了根据本发明的一个实施例光刻工艺掩模光学修正方法的流程示意图；

图2示出了根据本发明的一个实施例修正前数据分类方法流程示意图；

图3示出了根据本发明的一个实施例修正后数据预测方法流程示意图。

具体实施方式

现在将描述某些示例性实施方案，以从整体上理解本文所公开的装置和方法的结构、功能、制造和用途的原理。这些实施方案的一个或多个示例已在附图中示出。本领域的普通技术人员将会理解，在本文中具体描述并示出于附图中的装置和方法为非限制性的示例性实施方案，并且本发明的多个实施方案的范围仅由权利要求书限定。结合一个示例性实施方案示出或描述的特征可与其他实施方案的特征进行组合。这种修改和变型旨在包括在本发明的范围之内。

本说明书通篇提及的“多个实施例”、“一些实施例”、“一个实施例”或“实施例”等，意味着结合该实施例描述的具体特征、结构或特性包括在至少一个实施例中。因此，本说明书通篇出现的短语“在多个实施例中”、“在一些实施例中”、“在至少另一个实施例中”或“在实施例中”等并不一定都指相同的实施例。此外，在一个或多个实施例中，具体特征、结构或特性可以任何合适的方式进行组合。因此，在无限制的情形下，结合一个实施例示出或描述的具体特征、结构或特性可全部或部分地与一个或多个其他实施例的特征、结构或特性进行组合。这种修改和变型旨在包括在本发明的范围之内。

光刻为集成电路生产的关键工艺，由于实际的光刻生产费用较高，且实验周期较长，采用EDA软件为目前集成电路产业的有效手段。本发明公开的技术内容将用于EDA软件的开发过程。

基于模型的光学邻近效应修正(OPC)从90nm技术节点开始被广泛使用。它使用光学模型和光刻胶光化学反应模型来计算出曝光后的图形，首先把设计图形的额边缘识别出来，让每一个边缘可以自由移动。软件仿真出曝光后光刻胶的图形边缘并和设计的图形对比，它们之间的差别称为边缘放置误差。边缘放置误差是用来衡量修正质量的指标，边缘放置误差越小就意味着曝光后的图形和设计图形越接近。修正软件在运行时移动边缘位置，并计算出对应的边缘放置误差。这个过程不断重复直到计算出的边缘放置误差达到可以接受的值。为了减少边缘移动的任意性，边缘上点的位置只能在一个固定的栅格上移动。显然，栅格越小，修正的精度越高，但同时运算量也就越大。更小的栅格修正还使得图形边缘更加零碎，增加掩模制造的成本。

光刻工艺掩模上的图形通过曝光系统投影在光刻胶上，由于光学系统的衍射效应，导致光刻胶上的图形和掩模上的图形不完全一致。光学邻近效应修正(OPC)就是使用计算方法对掩模上的图形做修正，使得在光刻胶上的投影尽量符合设计要求。光刻工艺过程可以用光学和化学模型，借助数学公式来描述。光照射在掩模上发生衍射，衍射级被投影透镜收集并会聚在光刻胶表面，这一成像过程是一个光学过程；投影在光刻胶上的图像激发光化学反应，烘烤后导致光刻胶局部可溶于显影液，这是化学过程。

图1为根据本发明的一个实施例光刻工艺掩模光学修正方法的流程示意图。

步骤102，对修正前数据进行处理，得到基于多个分类的修正前数据。

在一些实施例中，对所述修正前数据进行处理分类的方法，包括神经网络模型或神经网络模型与非神经网络模型的混合模型。

步骤104，对所述基于多个分类的修正前数据进行光学临近修正，得到多个分类的修正后数据。

在一些实施例中，可以基于现有光学邻近效应修正(OPC)软件来获取所述的修正后数据。在现有软件进行光学邻近效应修正时，可以使用基于经验的光学邻近修正，在至少另一些实施例中，也可以使用现有技术中一些基于模型的光学邻近修正方法。

步骤106，使用修正模块对修正后数据进行确定，得到修正后数据。

在一些实施例中，所述修正模块为神经网络模型，所述神经网络模型基于以下训练方法获得：获取训练集，所述训练集中包括多个样本数据和所述样本数据经过数据重建算法处理后的期望数据；利用所述训练集对初始模型进行训练，获得神经网络模型。在一些实施例中，所述样本数据可以为修正前数据，所述期望数据为样本数据经过光学邻近效应修正(OPC)软件处理后的得到数据。关于模型训练的更多内容见以下描述，在此不再赘述。

图2为根据本发明的一个实施例修正前数据分类方法流程示意图。

步骤202，将修正前数据划分成n个集合，所述集合包括一个几何图形及其周围对它有影响的几何图形。

在一些实施例中，读取光学邻近修正(OPC)前的完整GDS文件，将GDS文件中的几何图形集合划分成n个tile。我们可以认为掩模上的版图为大量简单几何图形构成的。为了便于阐述本发明的实施例，我们暂将掩模上一个简单的几何图形及其周围对它有影响的几何图形组成一个集合，然后把这样的一个集合用tile来表示, 则掩模上的版图理论上由n个集合构成，即掩模上的版图理论上由n个tile构成，也可以把n个tile记为tiles。将光学邻近效应修正(OPC)之前的tiles集合记为tiles_pre，光学邻近效应修正(OPC)之后的tiles集合记为tiles_post。

例如一个几何图形，我们暂认为在这个几何图形周围1cm范围内的几何图形都对该几何图形有影响，则该几何图形及其周围1cm范围的所有几何图形组成单个集合，所述集合在OPC中也称为一个tile。

步骤204，分别获取所述n个集合的面积。

在一些实施例中，基于步骤202已经将掩模上的版图划分为n个tile，使用计算机软件技术分别获取n个tile的面积，并且分别记为。

步骤206，从小到大等额将所述面积基于划分成n-1个区间分类并对所述分类标记。

在一些实施例中，

获取n个tile中最小面积的值记为；

获取n个tile中最大面积的值记为；

获取n个tile面积最大值和最小值之间的区间值记为；

将区间值平均分为n等份，记为；

从小到大等额增加的方式将所述面积划分成n个区间分类并且分别标记标签lable:

区间标记为标签0；

区间标记为标签1；

区间标记为标签2；

,

区间标记为标签n-1；

则tiles_pre中tile的分类问题可转化为分类softmax regression问题。

步骤208，基于所述修正前数据和所述分类，生成训练集；

在一些实施例中，当分类确定模型中仅包括神经网络模型进修正前数据处理时，所述训练集可以包括修正前数据和对应经过分类的标签值。在一些实施例中，所述修正前数据可以是tiles_pre中的tile。例如，训练集T1为{(tile1，tile1’)，(tile2，tile2’)，…}，其中，tile1为修正前数据，tile1’为tile1经过分类后的的标签值，tile2为修正前数据，tile2’为tile2经过分类后的标签值，通过训练集T1训练得到神经网络模型S1，当获取到修正前数据数据tile3并输入到神经网络模型S1时，神经网络S1的输出数据为分类后的标签值tile3’。

步骤210，利用所述训练集对初始模型进行训练，得到分类确定模型。

在一些实施例中，记为每个数据点的feature个数，n为训练样本个数，k属于中的任何一个，softmax function可以表示为：

；

每个数据点第个feature属于标签的概率为：

；

其中，为赋给每个数据点第个feature的权重值；

上述模型给出的是给定数据点属于某个标签的概率向量，为了计算costfunction需要将其进行one-hot encoded，编码成只有0和1组成的向量，正确的label对应编码1,向量其他分量对应编码0；

cost function表示为为：

；

给定初始的权重值，使用梯度下降法求解cost function模型，不断更新权重值，并使cost function达到最小，返回最后的权重值。

在一些实施例中，可以利用非神经网络的数据处理方式，包括但不限于比如决策树，KNN，支持向量机等。

在一些实施例中，可以利用神经网络的数据处理方法，对光学邻近修正前数据进行处理，得到所述tile按照面积幅度增加的分类标签值。神经网络的处理方式是指利用机器学习的方式对修正前数据进行相应的处理。例如，可以采用深度学习模型对修正前数据进行处理。

图3示出了根据本发明的一个实施例修正后数据预测方法流程示意图。

步骤302，获取多个分类的修正前数据。

在一些实施例中，读取光学邻近修正(OPC)前的完整GDS文件，将光学邻近修正(OPC)前的GDS文件中的几何图形划分成多个tile，记为tiles_pre。选取tiles_pre中的70%作为训练样本，剩下的各30%作为测试样本，分别记为tiles_pre_train,tiles_pre_test。

在至少另一些实施例中，所述测试样本和训练样本的比例还可以根据实际的情况来调整，通常地，所述训练样本的比例大于等于所述测试样本的比例。

步骤304，获取相应多个分类的修正后数据。

在一些实施例中，读取光学邻近修正(OPC)后的完整GDS文件，将光学邻近修正(OPC)后的GDS文件中的几何图形分成多个tile，记为tiles_post。选取tiles_post中相应的70%作为训练样本，剩下相应的30%作为测试样本，分别记tiles_post_train,tiles_post_test。

在一些实施例中，还包括还包括所述分类的修正前数据和修正后数据之间的边缘放置误差需满足所述分类。将tiles_pre_train同一类中的两个tile1和tile2与相对应的光学邻近修正后的tile11和tile22(该tile11与tile22都属于tiles_post_train)做边缘放置误差，我们暂记边缘放置误差后的图形分别为tile_diff11与tile_diff22，如果tile_diff11和tile_diff22具备同一类标签值，则光学邻近修正后的tile11和tile22也应具备同一类标签。

步骤306，基于大部分所述多个分类的修正前数据和大部分所述多个分类的修正后数据，生成训练集。

在一些实施例中，当修正后数据确定模型中仅包括神经网络模型时，所述训练集可以包括修正前数据和对应的修正后数据。在一些实施例中，所述修正前数据可以是tiles_pre_train中的tile。例如，训练集T2为{(tile4，tile4’)，(tile5，tile5’)， …}，其中，tile4为修正前数据，tile4’为tile4经过光学修正后的数据，tile5为修正前数据，tile5’为tile5经过光学修正后的数据。

步骤308，利用所述训练集对初始模型进行训练，得到修正后数据确定模型。

在一些实施例中，可以利用神经网络模型进行训练，对光学修正前数据进行处理，得到光学修正后数据。神经网络模型的处理方式是指利用机器学习的方式对修正前数据进行相应的处理。例如，可以采用深度学习模型进行处理。

在一些实施例中，通过上述训练集T2训练得到神经网络模型S2，当获取到修正前数据数据tile6并输入到神经网络模型S2时，神经网络S2的输出数据为光学修正后的数据tile6’。需要说明的是，在初始模型的训练过程中，还需要满足上述步骤304中相应两个tile_post_train具备用一类标签值的要求。

步骤310，基于剩余部分所述多个分类的修正前数据和剩余部分所述多个分类的修正后数据，生成测试集。

在一些实施例中，所述测试集可以包括修正前数据和对应的修正后数据。在一些实施例中，所述修正前数据可以是tiles_pre_train中的tile。例如，测试集T3为{(tile7，tile7_train’)，(tile8，tile8_train’)， …}，其中，tile7为修正前数据，tile7_train’为tile7经过光学修正后的数据，tile8为修正前数据，tile8_train’为tile8经过光学修正后的数据。

步骤312，利用所述测试集对所述修正后数据确定模型进行验证。

在一些实施例中，当获取到修正前数据数据tile7并输入到神经网络模型S2时，神经网络S2的输出数据为光学修正后的数据tile7’，当获取到修正前数据数据tile8并输入到神经网络模型S2时，神经网络S2的输出数据为光学修正后的数据tile8’，比较tile7’和tile7_train’，比较tile8’和tile8_train’，从而验证修正后数据确定模型的准确性。

在一些实施例中，所述神经网络模型基于以下训练方法获得：获取训练集，所述训练集中包括多个样本数据和所述样本数据经过数据重建算法处理后的期望数据；利用所述训练集对初始模型进行训练，获得神经网络模型。

在一些实施例中，所述神经网络模型可以为机器学习模型。机器学习模型可以包括：深度信念网络模型、VGG卷积神经网络、OverFeat、R-CNN、SPP-Net、Fast R-CNN、FasterR-CNN、R-FCN、DSOD等。所述初始模型可以具有多个初始模型参数，例如，学习率，超参数等。所述初始模型参数可以是系统的默认值，也可以根据实际应用情况进行调整修改。所述初始模型的训练过程可以从现有技术中找到，在此不在赘述。当满足某一预设条件时，例如，训练样本数达到预定的数量，模型的检测正确率大于某一预定准确率阈值，或损失函数(Loss Function)的值小于某一预设值，训练过程停止，训练完成后获取到神经网络模型。

本申请实施例可能带来的有益效果包括但不限于：(1)通过建立分类网络模型，把相似的图形归成一类，从而将光学邻近修正前数据进行有效分类，降低了后期神经网络模型进行光学邻近修正的计算量。(2)将分类的光学邻近修正前数据通过修正网络模型进行训练，基于边缘放置误差提高了神经网络模型的精度，提高了光学邻近修正的效率。需要说明的是，不同实施例可能产生的有益效果不同，在不同的实施例里，可能产生的有益效果可以是以上任意一种或几种的组合，也可以是其他任何可能获得的有益效果。

此外，本领域技术人员可以理解，本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的工序、机器、产品或物质的组合，或对他们的任何新的和有用的改进。相应地，本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外，本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品，该产品包括计算机可读程序编码。

计算机存储介质可能包含一个内含有计算机程序编码的传播数据信号，例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式，包括电磁形式、光形式等，或合适的组合形式。计算机存储介质可以是除计算机可读存储介质之外的任何计算机可读介质，该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机存储介质上的程序编码可以通过任何合适的介质进行传播，包括无线电、电缆、光纤电缆、RF、或类似介质，或任何上述介质的组合。

本申请各部分操作所需的计算机程序编码可以用任意一种或多种程序语言编写，包括面向对象编程语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等，常规程序化编程语言如C语言、Visual Basic、Fortran 2003、Perl、COBOL2002、PHP、ABAP，动态编程语言如Python、Ruby和Groovy，或其他编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或服务器上运行。在后种情况下，远程计算机可以通过任何网络形式与用户计算机连接，比如局域网(LAN)或广域网(WAN)、或连接至外部计算机(例如通过因特网)、或在云计算环境中、或作为服务使用如软件即服务(SaaS)。

此外，除非权利要求中明确说明，本申请所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本申请流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本申请实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安装所描述的系统。

同理，应当注意的是，为了简化本申请披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本申请实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本申请对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。

针对本申请引用的每个专利、专利申请、专利申请公开物和其他材料，如文章、书籍、说明书、出版物、文档等，特此将其全部内容并入本申请作为参考。与本申请内容不一致或产生冲突的申请历史文件除外，对本申请权利要求最广范围有限制的文件(当前或之后附加于本申请中的)也除外。需要说明的是，如果本申请附属材料中的描述、定义、和/或术语的使用与本申请所述内容有不一致或冲突的地方，以本申请的描述、定义和/或术语的使用为准。

Claims (9)

1.一种光刻掩模光学修正的方法，其特征在于，包括：

对修正前数据进行处理，得到基于多个分类的修正前数据；

所述对修正前数据进行处理，包括：将修正前数据划分成n个集合，所述集合包括一个几何图形及其周围对它有影响的几何图形；

分别获取所述n个集合的面积的值；

将所述获取的n个集合的面积从小到大等额增加划分成n个分类并对所述分类标记；

基于所述修正前数据和所述分类标记，生成训练集；

利用所述训练集对初始模型进行训练，得到分类确定模型；对所述基于多个分类的修正前数据进行光学临近修正，得到多个分类的修正后数据；

利用修正模块对修正后数据进行确定，得到修正后数据。

2.根据权利要求1所述的光刻掩模光学修正的方法，其特征在于，所述分类确定模型包括神经网络模型或神经网络模型与非神经网络模型的混合模型。

3.根据权利要求2所述的光刻掩模光学修正的方法，其特征在于，所述神经网络模型基于以下训练方法获得：

获取训练集，所述训练集包括所述修正前数据和所述分类；

利用所述训练集对初始模型进行训练，获得神经网络模型。

4.根据权利要求1所述的光刻掩模光学修正的方法，其特征在于，所述修正模块包括神经网络模型或神经网络模型与非神经网络模型的混合模型。

5.根据权利要求1所述的光刻掩模光学修正的方法，其特征在于，对所述基于多个分类的修正前数据进行光学临近修正的实现包括：基于经验的光学邻近修正和基于模型的光学邻近修正。

6.根据权利要求1所述的光刻掩模光学修正的方法，其特征在于，所述修正模块的实现步骤包括：

获取多个分类的修正前数据；

获取相应多个分类的修正后数据；

获取大于等于50%所述多个分类的修正前数据和大于等于50%所述多个分类的修正后数据，生成训练集；

利用所述训练集对初始模型进行训练，得到修正后数据确定模型；

获取剩余部分所述多个分类的修正前数据和剩余部分所述多个分类的修正后数据，生成测试集；

利用所述测试集对所述修正后数据确定模型进行验证。

7.根据权利要求6所述的光刻掩模光学修正的方法，其特征在于，还包括所述分类的修正前数据和修正后数据之间的边缘放置误差需满足所述分类标记。

8.一种光刻掩模光学修正的装置，其特征在于，所述装置包括至少一个处理器以及至少一个存储器；

所述至少一个存储器用于存储计算机指令；

所述至少一个处理器用于执行所述计算机指令中的至少部分指令以实现如权利要求1～7中任意一项所述的方法。

9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，当所述计算机指令中的至少部分指令被处理器执行时，实现如权利要求1～7中任意一项所述的方法。