气体放电光源中的预测装置的制作方法

摄影电影;光学设备的制造及其处理,应用技术气体放电光源中的预测装置1.相关申请的交叉引用2.本技术要求于2019年12月18日提交的题为“predictive apparatus in a gas discharge light source”的美国申请no.62/949,723的优先权，该美国申请通过引用被整体并入本文中。技术领域3.本公开涉及一种使用预测模型的装置，该预测模型预测光学光刻系统的光学源的变化是否会改善光学源的操作条件。背景技术：4.一种在光刻中使用的气体放电光源被称为准分子光源或激光器。通常，准分子激光器使用一种或多种稀有气体和反应性气体的组合，稀有气体可以包括氩气、氪气或氙气，反应性气体可以包括氟气或氯气。准分子激光器可以在电模拟(提供能量)和(气体混合物的)高压的适当条件下产生准分子(伪分子)，该准分子仅在激励状态下存在。激励状态下的准分子产生在紫外范围内的经放大的光。准分子光源可以使用单个气体放电腔室或多个气体放电腔室。当准分子光源执行时，准分子光源产生深紫外(duv)光束。duv光可以具有例如约100纳米(nm)至约400nm的波长。5.可以将duv光束引导到光刻曝光装置或扫描仪，该光刻曝光装置或扫描仪是将所需图案施加到衬底(例如硅晶片)的目标部分上的机器。duv光束与投影光学系统相互作用，该投影光学系统通过掩模将duv光束投影到晶片的光致抗蚀剂上。这样，一层或多层芯片图案被图案化到光致抗蚀剂上，随后晶片被蚀刻和清洁。技术实现要素：6.在一些总体方面，一种装置包括决策模块，该决策模块被配置为：接收与发射光束的光学系统的性能状况有关的性能度量；基于性能度量和预定学习模型，估计所提出的对光学系统的改变的有效性；以及如果估计所提出的对光学系统的改变是有效的，则向光学系统输出改变命令。7.实现方式可以包括以下特征中的一个或多个。例如，决策模块可以被配置为：如果决策模块估计所提出的对光学系统的改变不是有效的，则向光学系统输出维持命令。8.决策模块可以被配置为：通过确定光束的性能状况是否被改善，估计所提出的改变的有效性。决策模块可以通过确定光束质量的误差率是否被降低来确定光束的性能状况是否被改善。9.性能状况可以包括以下项中的一项或多项：光束的光束质量误差的类型，在一定时段内气体混合物中发生放电事件的次数，与光束的光束质量的误差相关联的一个或多个故障，光束的光束质量以及光束的光束质量的误差。性能状况可以包括光学系统的配置，该光学系统的配置包括与包含气体混合物的一个或多个腔室有关的配置，诸如与包含气体混合物的一个或多个腔室相关联的压力、温度、设置或操作模式。性能状况可以包括与光束的操作参数或特性相关联的误差事件、相对于故障标记对每个误差事件的分析、以及光学系统的配置的改变。10.决策模块可以被配置为：在实现对光学系统的改变之前，估计所提出的改变的有效性。11.该装置可以包括与决策模块通信的接口模块，该接口模块提供性能度量。接口模块包括多个分析子模块。多个分析子模块包括光束质量检测子模块，该光束质量检测子模块包括：一个或多个光谱特征检测模块，每个光谱特征检测模块被配置为：检测光束的相应光谱特征的误差，并且产生指示该光束的相应光谱特征误差的误差事件信号；以及能量检测模块，被配置为：检测光束的能量的误差，并且产生指示光束的能量误差的误差事件信号。光谱特征可以包括光束的带宽或波长，并且性能度量可以基于相应光谱特征和能量的误差事件来产生。接口模块可以包括：放电计数检测模块，被配置为：检测在光学系统的气体混合物中的放电事件的发生，并且产生指示在一定时段内的放电事件的计数的误差事件信号。性能度量可以包括与从放电检测模块产生的信号有关的数据。该时段可以从上一次再填充气体混合物开始测量。该时段可以从包含气体混合物的一个或多个腔室被光学系统中的一个或多个新腔室替换开始测量。接口模块可以包括：故障标记模块，被配置为：相对于故障标记的集合，分析每个光束质量误差事件，并且产生将光束质量误差事件分类为已知故障标记的似然得分。性能度量可以包括与来自故障标记模块的输出有关的数据。12.预定学习模型可以接收性能度量作为输入，并且可以输出估计。预定学习模型可以包括支持向量机。预定学习模型可以包括分离的超平面，该超平面将性能度量分类为是或否，其中是分类指示所提出的改变是有效的，并且否分类指示所提出的改变不是有效的。13.预定学习模型可以基于光学系统的类型、配置和/或年龄来构建。14.对所提出的改变的有效性的估计可以指示光学系统在所提出的改变之后的性能状况相对于光学系统在所提出的改变之前的状况是否改善。15.决策模块可以被配置为：通过将光学系统在所提出的改变之后的性能状况与光学系统在所提出的改变之前的性能状况进行比较，估计所提出的改变的有效性。决策模块可以被配置为：如果比较结果指示性能状况将改善预定量，则输出改变命令。16.所提出的对光学系统的改变可以包括：所提出的光学系统内的气体混合物的再填充和所提出的光学系统的配置的改变中的一者或多者。决策模块可以被配置为：还基于探测到的对光学系统的配置的改变，估计所提出的光学系统内的气体混合物的再填充的有效性。17.在其他总体方面，一种方法包括：接收基于多个测试光学系统的训练数据集，并且基于训练数据集来生成预测模型，该预测模型基于与光学系统的性能状况有关的性能度量来估计所提出的光学系统的改变的有效性。针对每个测试光学系统的多个改变中的每个改变，训练数据集包括：与在改变之前的测试光学系统有关的多个性能状况值；以及与在改变之后的测试光学系统有关的多个性能状况值。18.实现方式可以包括以下特征中的一个或多个。例如，可以通过以下来生成预测模型：针对对测试光学系统的每个改变，将与在改变之后的测试光学系统有关的多个性能状况值和与在改变之前的测试光学系统有关的多个性能状况值进行比较，该比较结果指示改变的有效性。19.预测模型可以是学习模型。学习模型可以包括支持向量机。学习模型可以是除了支持向量机之外的任何结构，只要它可以用作预测模型。具体地，学习模型的各方面包括：汇编数据集，汇编具有故障标记检测(fsd)的输入向量，训练数据集，测试数据集，然后应用学习模型。例如，在其他实现中，学习模型包括神经网络、决策树或k近邻模型。20.预测模型可以通过将性能度量映射到维持命令或改变命令中的一者来生成，维持命令和改变命令基于所提出的对光学系统的改变的经估计的有效性。21.训练数据集可以包括：对多个测试光学系统的至少几千个改变。22.性能状况可以包括以下项中的一项或多项：从光学系统产生的光束的光束质量误差率，从光学系统产生的光束的光束质量误差的类型，在一定时段内在光学系统的气体混合物中发生放电事件的次数，与从光学系统产生的光束的光束质量中的误差相关联的一个或多个故障，光学系统的工作效率的异常，以及从光学系统产生的光束的一个或多个光谱特征的误差。性能状况可以包括与光束的操作参数或特性相关联的误差事件中的一个或多个、相对于故障标记对每个误差事件的分析、以及光学系统的配置的改变。23.该方法还可以包括：在将与光学系统的性能状况有关的性能度量应用于预测模型之前，测试预测模型。预测模型可以通过以下来测试：使用测试数据集，针对对多个测试光学系统中的每个测试光学系统的多个改变中的每个改变和多个测试光学系统中的每个测试光学系统，测试数据集包括：与在改变之前的测试光学系统有关的多个性能状况值以及与在改变之后的测试光学系统有关的多个性能状况值，测试数据集从训练数据集中被排除，以及将与在改变之前的测试光学系统有关的多个性能状况值应用于预测模型，并且将预测模型的每个实际输出和来自测试数据集的相关联的与在改变之后的测试光学系统有关的性能状况值进行比较。24.对所提出的改变的有效性的估计可以指示：光学系统在所提出的改变之后的性能状况相对于光学系统在所提出的改变之前的状况是否改善。25.该方法还可以包括：调整预测模型以降低预测模型估计所提出的改变是无效的似然。26.预测模型可以基于光学系统的类型、配置和/或年龄来生成。27.预测模型可以被配置为：估计所提出的对光学系统的气体改变的有效性，该光学系统在测试光学系统之中或不同于测试光学系统。28.所提出的对光学系统的改变可以包括：所提出的光学系统内的气体混合物的再填充和所提出的光学系统的配置的改变中的一者或多者。29.在其他总体方面，一种方法包括：接收与发射光束的光学系统的性能状况有关的性能度量；基于性能度量和预定学习模型，估计所提出的对光学系统的改变的有效性；以及如果估计所提出的改变是有效的，则指导对光学系统的改变。30.实现方式可以包括以下特征中的一个或多个。例如，可以通过向光学系统输出改变命令来指导对光学系统的改变。31.该方法还可以包括：如果估计所提出的改变是无效的，则延迟该改变。可以通过向光学系统输出维持命令来延迟该改变。32.方法还可以包括：在延迟改变之后：接收与光学系统的性能状况有关的性能度量；以及基于性能度量和预定学习模型来估计所提出的对光学系统的改变的有效性。33.所提出的改变的有效性可以通过确定光束的性能状况是否将通过执行该改变而改善来估计。确定光束的性能状况是否改善可以包括：确定光束质量的误差率是否将由于该改变而降低。34.性能状况可以包括以下项中的一项或多项：光束的光束质量误差的类型，在一定时段内气体混合物中发生放电事件的次数，与光束的光束质量的误差相关联的一个或多个故障，光束的光束质量以及光束的光束质量的误差。性能状况可以包括与光束的操作参数或特性相关联的误差事件中的一个或多个、相对于故障标记对每个误差事件的分析、以及光学系统的配置的改变。35.预定学习模型可以被配置为：在对光学系统实现改变之前，估计所提出的改变的有效性。36.性能状况可以包括：在一定时段内的气体混合物中的放电事件的计数。37.预定学习模型可以接收性能度量作为输入并且输出估计。38.预定学习模型可以包括支持向量机。预定学习模型可以包括分离的超平面，该超平面将性能度量分类为是或否，其中是分类指示所提出的改变将是有效的，而否分类指示所提出的改变不是有效的。对所提出的改变的有效性的估计可以指示：光学系统在所提出的改变之后的状况相对于光学系统在所提出的改变之前的状况是否改善。气体混合物可以包括增益介质，其中粒子数反转被配置为：当能量被提供给气体混合物时，以受激发射的方式来发生。39.所提出的对光学系统的改变可以包括：所提出的光学系统内的气体混合物的再填充和所提出的光学系统的配置的改变中的一者或多者。40.在其他总体方面，一种非瞬态计算机可读介质，该非瞬态计算机可读介质存储指令，该指令在由计算机执行时使其执行以下方法，该方法包括：接收基于多个测试光学系统的训练数据集，针对每个测试光学系统的多个改变中的每个改变，该训练数据集包括：与在改变之前的测试光学系统有关的多个性能状况值；以及与在改变之后的测试光学系统有关的多个性能状况值；以及基于训练数据集来生成预测模型，预测模型基于与光学系统的性能状况有关的性能度量来估计所提出的光学系统的改变的有效性。光学系统可以在测试光学系统之中或与测试光学系统不同。41.在其他总体方面，一种非瞬态计算机可读介质，该非瞬态计算机可读介质存储指令，该指令在由计算机执行时使其执行以下方法，该方法包括：接收与发射光束的光学系统的性能状况有关的性能度量；基于性能度量和预定学习模型，估计所提出的对光学系统的改变的有效性；以及如果估计所提出的改变是有效的，则指导对光学系统的改变。42.在其他总体方面，一种装置，包括决策模块，该决策模块被配置为：接收与发射光束的光学系统的性能状况有关的性能度量；基于性能度量和预定学习模型，估计所提出的光学系统的气体混合物的再填充的有效性；以及如果估计所提出的光学系统的气体混合物的再填充是有效的，则向光学系统输出再填充命令。43.在进一步的总体方面，一种方法，包括：接收基于多个测试光学系统的训练数据集，针对每个测试光学系统的多次气体再填充中的每次气体再填充，该训练数据集包括：与在气体再填充之前的测试光学系统有关的多个性能状况值；以及与在气体再填充之后的测试光学系统有关的多个性能状况值；以及基于训练数据集来生成预测模型，该预测模型基于与光学系统的性能状况有关的性能度量来估计所提出的光学系统中的气体混合物的气体再填充的有效性。光学系统可以在测试光学系统之中或与测试光学系统不同。44.在其他总体方面，一种方法，包括：接收与发射光束的光学系统的性能状况有关的性能度量；基于性能度量和预定学习模型，估计所提出的光学系统的气体混合物的气体再填充的有效性；以及如果估计所提出的气体再填充是有效的，则对光学系统指导气体再填充。45.在进一步的总体方面，一种非瞬态计算机可读介质，该非瞬态计算机可读介质存储指令，该指令在由计算机执行时使其执行以下方法，该方法包括：接收基于多个测试光学系统的训练数据集，针对每个测试光学系统的多次气体再填充中的每次气体再填充，该训练数据集包括：与在气体再填充之前的测试光学系统有关的多个性能状况值；以及与在气体再填充之后的测试光学系统有关的多个性能状况值；以及基于训练数据集来生成预测模型，该预测模型基于与光学系统的性能状况有关的性能度量来估计所提出的光学系统中的气体再填充的有效性，其中光学系统不同于测试光学系统。46.在甚至其他总体方面中，一种非瞬态计算机可读介质，该非瞬态计算机可读介质存储指令，该指令在由计算机执行时使其执行以下方法，该方法包括：接收与发射光束的光学系统的性能状况有关的性能度量；基于性能度量和预定学习模型，估计所提出的光学系统中的气体再填充的有效性；以及如果估计所提出的气体再填充是有效的，则对光学系统指导气体再填充。47.以上和本文中所描述的任何技术的实现可以包括过程、装置、控制系统、存储在非瞬态机器可读计算机介质上的指令、和/或方法。在附图和以下描述中阐述了一个或多个实现的细节。根据说明书和附图以及权利要求书，其他特征将是明显的。附图说明48.图1是预测装置的框图，该预测装置被配置为至少部分地基于光学系统的性能状况来预测所提出的对光学系统的改变是否改进光学系统的操作；49.图2a是针对第一类型的性能状况的集合的误差事件的总数对时间的曲线图，其中再填充过程对针对第一类型的性能状况的集合的误差事件几乎没有影响；50.图2b是针对第二类型的性能状况的集合的误差事件的总数对时间的曲线图，其中再填充过程对针对第二类型的性能状况的集合的误差事件具有更大的影响；51.图3是光学系统的实现和与图1的预测装置通信的接口模块的实现的框图，该接口模块被配置为获取和分析来自光学系统的数据；52.图4是包括与图1或图3的预测装置通信的气体供应系统的光学系统的实现的框图；53.图5是包括双级光学源的光学系统的实现的框图；54.图6是训练装置的框图，该训练装置被配置为构建在图1或图3的预测装置的决策模块中使用的学习模型；55.图7是可以由图6的训练装置执行的用于构建学习模型的过程的实现的流程图；56.图8是用于测试使用例如图7的过程构建的学习模型的过程的实现的流程图；57.图9是由图1或图3的预测装置执行的用于预测所提出的对光学系统的改变是否将改善光学系统的操作的过程的实现的流程图；58.图10a是被配置为接收由图1和图3的光学系统产生的光束的光刻曝光装置的实现的框图；59.图10b是图10a的光刻曝光装置内的投影光学系统的实现的框图；60.图11a是从应用于每个误差事件的故障标记算法的集合输出的似然得分的示例的表，每个误差事件对应于光学系统的性能状况；61.图11b是示出了如何使用图11a的针对故障标记算法中的每个故障标记算法的输出得分的表；以及62.图12是配置参数的集合改变的示例的表，每个配置参数改变对应于光学系统的性能状况。具体实施方式63.参考图1，监测装置100监测光学系统105的操作，该光学系统105产生供输出装置115使用的光束110。监测装置100预测所提出的对光学系统105的改变是否将改善光学系统105的操作。例如，所提出的改变可以是所提出的光学系统105内的气体混合物120的气体再填充。监测装置100至少部分地基于光学系统105的性能状况进行该预测。特别地，机器学习被用于创建预定学习模型125，并且监测装置100使用该预定学习模型125来确定或估计哪些性能状况与光学系统105的运行状况或操作更有关或最有关。例如，如果所提出的改变是所提出的气体混合物120的气体再填充，则预定学习模型125确定或估计哪些性能状况与气体混合物120的运行状况或操作更有关。以此方式，监测装置100能够识别或预测所提出的气体再填充的有效性129，即光学系统105是否将受到所提出的气体混合物120的气体再填充的积极影响。作为另一示例，如果所提出的改变是光学系统105的配置的改变，则预定学习模型125确定所提出的光学系统105的配置的改变是否将改善光学系统105的操作。64.在附图中，连接两个元件的实线表示数据(例如，信息和/或命令信号)可以在其上流动的数据路径。数据可以在无线或有线连接上流动。此外，虚线表示光可以沿其传播的光学路径，而双线(例如在图3中示出)表示流体可以沿其流动的流体路径。65.输出装置115可以是光刻系统(也称为扫描仪)，光束110可以是由扫描仪用来曝光晶片的脉冲光束。脉冲光束110是光脉冲串，其中每个脉冲通过激励气体混合物120来形成。脉冲光束110具有重复率。重复率是在时间测量内发生的光脉冲的数目。例如，重复率可以是在一秒内出现的光脉冲的数目。重复率由气体混合物120内的增益介质在时间测量内被激励的次数确定。另外，脉冲光束110与关于脉冲光束110的质量的一个或多个规范相关联。这些规范可以包括例如脉冲光束110的各种属性的可接受的值和/或值的范围。例如，规范可以包括与脉冲能量、波长、带宽、重复率和/或脉冲持续时间有关的值，或者可以包括根据对这些属性中的任何属性的测量结果而导出的值。当脉冲光束110在该规范内时，当前应用所感兴趣的属性中的全部都在该范围内或等于如该规范中所阐述的属性的值。当脉冲光束110不在规范内时，当前应用所感兴趣的属性中的一个或多个在该范围之外或不等于该属性的值。当光束110在规范内时，光学系统105具有最佳性能。66.气体混合物120具有实际的气体寿命和假定的气体寿命。实际的气体寿命是气体混合物120能够产生在规范内的光脉冲的时段。假定的气体寿命和实际的气体寿命可以被测量作为例如由气体混合物120产生的脉冲的总数或光学系统105以特定重复率操作的总时间。例如，当气体混合物120达到其实际气体寿命的终点时，气体混合物120可能不再能够产生在规范内的光脉冲。67.其他事件可能使气体混合物120不能产生在规范内的光脉冲。例如，保存或包含气体混合物120的密封腔室(气体放电腔室)可以达到其寿命的终点。或者，光学系统105内的一个或多个模块可以达到它们的寿命的终点。或者，光学系统105内的一个或多个模块可能变得未对准。68.假定的气体寿命是基于与光学系统105类似的光学系统的性能知识的对实际气体寿命的保守估计。假定的气体寿命可以是预定的恒定值，并且假定的气体寿命使得任何光学系统中的气体混合物具有小于假定寿命的实际寿命是非常不可能的。然而，各个光学系统和气体混合物在操作使用期间经历不同的状况。这样，特定气体混合物(诸如气体混合物120)的实际气体寿命可以不同于另一气体混合物的实际气体寿命。此外，因为假定的气体寿命是保守估计，所以在普通操作条件下使用的特定气体混合物的实际气体寿命可能大于假定的气体寿命。69.在典型的光学系统中，当使用被称为再填充过程的过程达到假定寿命时，气体混合物120被替换。再填充过程包括移除和替换气体混合物120。并且，再填充过程通常消耗(浪费)气体混合物120的材料。此外，在再填充过程期间不能操作光学系统105。至少由于这些原因，期望减少在光学系统105上执行的再填充过程的数目。此外，期望当这种再填充过程将改善光学系统105的操作时仅执行再填充过程。在再填充期间，气体混合物120的内容物返回到期望的混合、浓度和压力。例如，以足以达到气体混合物120的某些组分的特定压力和浓度的量引入新气体。在再填充之后，光学系统105的操作理想地应该相对于其在再填充之前的操作得到改进。70.例如，参考图2a，讨论了再填充过程230a对假设气体混合物的影响。在该示例中，针对第一类型的性能状况[pci1]的集合的误差事件的总数相对于时间的曲线图。在再填充过程230a之前和在再填充过程230a之后(其中在光学系统105中正在使用新的气体混合物)，示出了针对第一类型的性能状况的集合的误差事件的总数。该比较表明，再填充过程230a没有减少针对第一类型的性能状况的集合的误差事件的数目。因此，图2a图示了再填充在防止或减少观察到的误差事件方面不成功的情况。[0071]相比之下，参考图2b，讨论了再填充过程230b对假设气体混合物的影响。图2b示出了针对第二类型的性能状况[pci2]的集合的误差事件的总数相对于时间的曲线图。在再填充过程230b之前和在再填充过程230b之后(其中在光学系统105中正在使用新的气体混合物)，示出了针对第二类型的性能状况的集合的误差事件的总数。该比较表明，通过再填充过程230b减少了针对第二类型的性能状况的集合的误差事件的数目。因此，图2b图示了再填充成功防止或减少观察到的误差事件的情况。可以认为，与第一类型的性能状况的其他集合相比，第二类型的性能状况的集合与气体混合物120的运行状况或操作更有关。特别地，并且一般而言，与气体混合物120的运行状况或操作更有关的性能状况的误差事件率通过再填充过程230的操作而降低。[0072]然而，还不能很好地理解哪些性能状况会受到特定再填充过程的影响，尤其是在确定中考虑了许多性能状况的各种组合的情况下。这种分析是复杂的，至少部分是因为需要分析与性能状况有关的大量信息。例如，监测装置100可以接收与许多不同类型的性能状况有关的信息。在一些实现中，监测装置100监测和分析大于30种类型的性能状况(或性能状况的误差率)。因此，监测装置100使用数据驱动的机器学习方法(经由预定学习模型125)来避免在徒劳的尝试中执行不必要的再填充，以消除或降低与气体混合物120的运行状况或操作无关的性能状况误差率。借助于预定学习模型125，监测装置100识别性能状况中的哪些组合和误差率将由再填充过程补救(即，可以预期由再填充过程补救)。借助于预定学习模型125，监测装置100可以附加地识别哪些误差事件的组合和比率将由对光学系统105的不包括再填充过程的方面的另一改变来补救(即，可以预期由另一改变来补救)。[0073]性能状况包括与脉冲光束110的属性是否满足规范有关(或可用于确定脉冲光束110的属性是否满足规范)的任何信息。每个性能状况可以是仅具有两个可能值的二进制数值数据，其中一个值表示脉冲光束110的属性满足规范，而另一个值表示脉冲光束110的属性不满足规范。在一些实现中，性能状况是非二进制的数值数据。例如，性能状况可以是由作为量测模块(诸如图3的量测模块360)的部分的设备检测或感测的测量值。在又一示例中，每个性能状况可以是表示测量值与期望或理想值之间的差的数值。[0074]性能状况可以与光束110的操作参数或特性有关。例如，性能状况可以包括光束110的能量、波长、脉冲持续时间、重复率和带宽。性能状况可以包括与光束110或光学系统105的任何操作参数或特性相关联的误差事件。例如，误差事件是光束110或光学系统105的操作参数或特性超过阈值的事件，并且当这种情况发生时，误差事件(包括与误差事件周围的时间窗口相关联的数据)被记录和/或存储在存储器中。[0075]在一些实现中，可以相对于故障标记算法的集合(多个故障标记算法)来分析误差事件。每个故障标记算法被设计为表示特定的失效模式或失效标记。每个故障标记算法输出得分以试图将误差事件分类为已知的失效模式或失效标记。例如，用于特定失效标记的算法可以输出该特定故障标记存在于误差事件中的似然得分。图11a示出了针对每个误差事件(bqi，其中i的范围从1到n)的故障标记算法的集合的输出的示例，并且图11b示出了如何使用来自故障标记算法中的每个故障标记算法的得分输出，如下面更详细地讨论的。[0076]在一些实现中，如下面所讨论的，性能状况与光学系统105的配置的改变有关。例如，性能状况可以包括气体混合物120内的组分的浓度的改变、气体混合物120的温度的改变、被施加到能量源(向气体混合物120提供能量)的电压的改变、以及与如何向气体混合物120添加新组分有关的状况的改变中的一者或多者。[0077]性能状况可以与光学系统105内的组件的操作参数或特性有关。例如，性能状况可以包括从气体混合物120输出的脉冲数、从光学系统105输出的光束110的脉冲数、以及与光学系统105内的诸如光学振荡器或光学放大器的组件相关联的效率或效率异常。性能状况可以包括光学系统105的故障标记或操作状态。[0078]性能状况包括以下项中的一项或多项：光束110的光束质量误差的类型，在一定时段内气体混合物120中发生放电事件的次数，与光束110的光束质量的误差相关联的一个或多个故障，光束110的光束质量以及光束110的光束质量的误差。[0079]在一个示例中，性能状况可以包括“mo漏失(mo dropout)”，其是光学系统105的主振荡器(mo)的气体放电腔室(其保存/包含气体混合物120)中的能量输出的单脉冲“漏失”。例如，如果mo是1毫焦耳(mj)的发射脉冲，并且从mo发出的光束的能量对于单个脉冲下降到0.1mj，然后返回到1mj，则这可能指示mo漏失事件。通常，认为mo漏失与气体放电腔室的年龄有关，而与气体运行状况无关。在另一示例中，性能状况可以包括“mo翻转(mo rollover)”，其指的是mo移动到电压增加导致能量损失的操作区域中。简而言之，这可以被认为是mo气体放电腔室的长期效率损失。通常，mo翻转状况被认为通过再填充来改善。[0080]再次参考图1，监测装置100包括被配置为接收性能度量107的决策模块127。性能度量107与光学系统105的性能状况有关。即，性能度量107包括关于光学系统105的一个或多个性能状况的信息。性能度量107可以是光学系统105的性能状况的值的线性阵列。或者，性能度量107可以是根据光学系统105的性能状况的值而确定或计算的数或值。[0081]每个性能状况提供与光学系统105的运行状况或操作有关的指示。如以上所讨论的，不是所有的性能状况都与光学系统105或气体混合物120的运行状况或操作有关。此外，性能状况的一些组合可能比性能状况的其他组合更能指示气体混合物120的运行状况或操作。性能状况的一些组合也可能随着时间的进展改变它们对光学系统105的运行状况或操作的影响。例如，在光学系统105已经被使用了特定时段之后，一些性能状况可能对光学系统105的运行状况或操作具有比它们在光学系统105的寿命中较早的影响更大的影响。与光学系统105的性能状况有关的性能度量107中的信息可以包括与性能状况的误差或误差率或与性能状况相关联的故障有关的信息。因此，在一些情况下，如果性能状况的特定组合的误差率升高，则监测装置100可以确定需要再填充过程230。[0082]决策模块127被配置为基于所接收的性能度量107和预定学习模型125来估计所提出的对光学系统105的改变的有效性129。所提出的改变可以是所提出的光学系统105的气体混合物120的再填充、或所提出的光学系统105的配置的改变。决策模块127还被配置为向光学系统105输出命令109，命令109取决于对有效性129的估计或与对有效性129的估计直接有关。例如，如果估计所提出的光学系统105的气体混合物120的再填充将是有效的129，则命令109可以是指示光学系统105再填充气体混合物120的再填充命令。[0083]具体地，预定学习模型125接收性能度量107作为其输入，并且输出对有效性129的估计以供决策模块127使用。性能度量107包括关于在所提出的改变(诸如所提出的气体再填充)之前存在的性能状况的信息。对有效性129的估计是关于所提出的(以及尚未发生的)改变是否将使光学系统105的性能状况的误差率的显著降低的预测。[0084]在一些实现中，决策模块127向光学系统105输出维持命令(如命令109)，以例如在决策模块127估计所提出的光学系统105的气体混合物120的再填充将无效129的情况下扩展对气体混合物120的使用。在其他实现中，在决策模块127估计所提出的光学系统105的气体混合物120的再填充将无效129的情况下，决策模块127延迟向光学系统105发送命令109；通过延迟命令109，光学系统105维持其当前状态。[0085]在又一些其他实现中，代替输出命令，决策模块127向另一控制器或甚至向现场服务工程师输出提案，并且控制器/现场服务工程师可以做出与是否应当执行所提出的再填充有关的决策。[0086]决策模块127可以包括或可以访问一个或多个可编程处理器，并且可以各自执行指令程序以通过对输入数据进行操作并且生成适当的输出来执行期望的功能。决策模块127能够以数字电子电路系统、计算机硬件、固件或软件中的任何一种来实现。在进一步的实现中，决策模块127访问存储器，该存储器被配置为存储从决策模块127输出的信息、来自光学系统105的信息、或者甚至性能度量107，这样的信息可以供决策模块127在装置100的操作期间的各种使用。存储器可以是只读存储器和/或随机存取存储器，并且可以提供适于有形地体现计算机程序指令和数据的存储设备。监测装置100还可以包括一个或多个输入设备(诸如键盘，实现触摸的设备，音频输入设备)和一个或多个输出设备(诸如音频输出或视频输出)。[0087]当能量被提供给气体混合物120(例如，通过能量源324，如图3所示)时，气体混合物120通过受激发射从在气体混合物120的增益介质中发生的粒子数反转产生光束110。气体混合物120的浓度状态提供了对气体混合物120内的化学组分的相对量的指示。例如，气体混合物120可以包括增益介质和缓冲气体的混合物，其中增益介质是气体混合物120内的激光活性实体，该激光活性实体可以是单个原子、分子或伪分子。粒子数反转发生在增益介质中。增益介质可以包括稀有气体和卤素，同时缓冲气体可以包括惰性气体。可以使用的惰性气体包括例如氩气、氪气或氙气。卤素气体可以是例如氟气。惰性气体可以包括例如氦气或氖气。例如，气体混合物120可以包括氟化氩(arf)，氟化氩产生波长为约193纳米(nm)的光束110。作为另一示例，气体混合物120可以包括氟化氪(krf)，氟化氪产生波长为约248nm的光束110。[0088]预定学习模型125可以是能够汇编数据集、汇编具有故障标记检测(fsd)的输入向量、训练数据集、测试数据集、然后应用学习模型的任何结构。例如，在一些实现中，学习模型包括神经网络、决策树或k最近邻模型。[0089]在将在本文中所详细讨论的一些实现中，预定学习模型125是支持向量机。支持向量机将每个输入(性能度量107)分类为与有效性129有关的两个类中的一个类。在该示例中，第一类是积极的，这意味着所提出的改变(诸如所提出的气体再填充)将是有效的并且改善光学系统105的性能状况；并且第二类是中性的或非积极的，这意味着所提出的改变(例如所提出的气体再填充)将是无效的并且因此将不会改善光学系统105的性能状况。[0090]支持向量机可以利用分离的超平面，该超平面将输入数据(即，性能度量107)分类为第一类或第二类，这种超平面能够分析多维性能度量107。支持向量机还定义了与对输入数据的分析有关的边界和约束，以便以有效的方式分离数据，由此输出分类。[0091]预定学习模型125可以基于光学系统105的类型、配置、配置的改变和/或年龄来构建，如下面将讨论的。[0092]参见图3，在一些实现中，监测装置100可以被实现作为监测装置300，并且光学系统105可以被设计作为产生光束310的光学系统305。光学系统305包括从气体混合物320产生光束310的光学源340、以及与气体混合物320流体连通的气体供应系统350。[0093]虽然在图3中未示出，但是光学源340可以包括与气体混合物320结合使用以产生光束310的其他气体混合物和其他光学组件。这些其他气体混合物可以与气体供应系统350流体但分开地连通。[0094]气体混合物320是光学源340内的气体子系统322的部分。气体子系统322可以包括其他组件，诸如形成保存气体混合物320的密封腔室(气体放电腔室)的容器323和用于对气体混合物320内的增益介质进行激励的能量源324。能量源324可以包括阴极和阳极，气体放电腔室323可以封闭阴极和阳极214b以及气体混合物320。阴极与阳极之间的电势差在气体混合物320中形成电场。电场向气体混合物320内的增益介质提供能量，该能量足以引起粒子数反转并且能够经由受激发射生成光脉冲。这种电势差的重复创建形成最终构成光束310的光脉冲串。“放电事件”是形成足以引起气体混合物320的增益介质中的放电和光脉冲发射的电势差的电压的施加。[0095]图5示出了气体子系统322和光学源340(包括两个腔室，每个腔室保存或保留其自身的气体混合物)的实现。[0096]气体供应系统350包括一个或多个气体源、被配置为将气体供应到气体子系统322的腔室的流体导管、以及包括在气体源和腔室之间的一个或多个流体控制阀的阀系统。图4示出了气体供应系统350的实现450。[0097]监测系统300包括决策模块327，与决策模块127一样，决策模块327接收与光学系统305的性能状况有关的性能度量307。即，性能度量307包括关于光学系统305的一个或多个性能状况的信息。[0098]另外，监测系统300还包括与决策模块327通信的接口模块360。接口模块360被配置为：获得和分析来自光学系统305和光束310的数据，计算和建立性能度量307，然后提供性能度量307。[0099]接口模块360包括多个分析子模块360i、接收并存储来自分析子模块360i中的一个或多个分析子模块的信息的存储器361、以及访问来自分析子模块360i中的一个或多个分析子模块和存储器361的输出并构建性能度量307的输出子模块362。在所示的示例中，分析子模块360i包括四个分析子模块360a、360b、360c和360d。每个分析子模块360i被配置为与光学系统305的专用方面相互作用，并且这包括与光束310相互作用的可能性。每个分析子模块360i包括感测、检测或接收与其专用的光学系统305的方面有关的数据或信息的硬件。接口模块360根据该数据或信息来准备光学系统305的性能状况，并且根据性能状况来建立性能度量307以供决策模块327使用。接口模块360可以包括或可以访问一个或多个可编程处理器，并且可以各自执行指令程序以通过对输入数据进行操作并且生成适当的输出来执行期望的功能。接口模块360能够以数字电子电路系统、计算机硬件、固件或软件中的任一种来实现。[0100]在该实现中，分析子模块360i中的至少两个分析子模块是光束质量检测子模块360c和360d。例如，光束质量检测子模块360c可以是光谱特征检测子模块，该光谱特征检测子模块被配置为检测光束310的光谱特征的误差并且产生指示光束310的相应光谱特征误差的信号。光束310的光谱特征可以是光束310的光谱(或发射光谱)的任何特征。光谱包含关于光能量或功率如何作为光束310的波长或光频率的函数而分布的信息。因此，例如，光束310的光谱特征可以是特定光能或功率下的波长或光谱的宽度(称为带宽)。作为另一示例，光束质量检测子模块360d可以是能量检测子模块，该能量检测子模块被配置为检测光束310的能量的误差并且产生指示光束310的能量误差的信号。[0101]光束质量检测子模块360c和360d可以包括相应的传感器，相应的传感器可以被定位在可以感测光束310的任何位置处。例如，传感器可以处于光学系统305中、在光学系统305和输出装置115之间、或处于输出装置115中。[0102]子模块360c和360d中的每个的输出可以是来自传感器的实际测量数据，或者可以是在特定时段上从传感器接收的数据的平均。例如，如果光束质量检测子模块360d是能量检测子模块，则它可以包括用于估计剂量的能量传感器，并且输出可以具有两个值，一个表示剂量在规范内，另一个表示剂量不在规范内。剂量是被传递到晶片区域的光能的量。为了确定剂量，能量传感器测量在一定时段内的能量的量，并且还对在该时段内发射的光束310的脉冲数进行计数。在这些实现中，能量传感器可以包括测量能量的检测器和处于光束310的路径中的分束器。分束器将每个脉冲中的光的部分引导到检测器。检测器测量在一定时段内的能量的量。此外，在该时段内发生的脉冲数可以从由检测器测量的能量导出。例如，如果检测到的能量大于阈值，则认为存在脉冲。如果检测到的能量低于阈值，则不存在脉冲。因此，来自能量传感器的数据可以用于基于剂量来确定光束质量度量。[0103]来自分析子模块360c、360d的输出可以包括与光束310或光学系统305的任何操作参数或特性相关联的误差事件。如以上所讨论的，误差事件是光束310或光学系统305的操作参数或特性超过阈值的事件。当这种情况发生时，误差事件(包括与误差事件周围的时间窗口相关联的数据)被记录和/或存储在存储器361中，以供输出模块362访问。[0104]至少一个分析子模块360i是放电计数检测子模块360b，被配置为：检测气体混合物320中的放电事件的发生，并且产生指示在一定时段内的放电事件的计数的信号。该时段可以从上一次气体混合物320被再填充开始测量，或者可以从对在光学系统305内包含气体混合物320的一个或多个腔室的替换开始测量。[0105]分析子模块360i中的至少一个分析子模块是故障标记子模块360a，被配置为：相对于故障标记的集合来分析每个误差事件，并且产生将误差事件分类为已知故障标记的似然得分。用于特定故障标记的算法可以输出该特定故障标记存在于误差事件中的似然得分。图11a示出了针对每个误差事件(bqi，其中i的范围从1到n)的故障标记算法的集合的输出的示例，并且图11b示出了如何使用来自每个故障标记算法的得分输出，如下面更详细地讨论的。[0106]参考图4，示出了气体供应系统450的实现。气体供应系统450包括：一个或多个气体源451a、451b、451c；用于将气体供应到气体子系统322中的腔室323的导管；以及阀系统452，包括在气体源451a、451b、451c与气体子系统322中的腔室之间的一个或多个流体控制阀。气体源451a、451b、451c可以将气体供应到多个腔室，例如，诸如当光学源340包括多级(每一级包括具有气体混合物的气体放电腔室)时，如参考图5所讨论的。气体源451a、451b、451c可以是例如密封的气体瓶和/或罐。作为示例，气体混合物320可以包含卤素(诸如氟气)以及其他气体(包括氩气、氖气、以及具有不同分压(求和到总压力p)的可能的其他物质)。此外，一个或多个气体源451a、451b、451c通过阀系统452内的一组流体控制阀被连接到腔室323。利用这种设计，气体可以与气体混合物320的特定相对量的组分一起被注入到腔室323中。例如，如果气体混合物320中的增益介质是氟化氩(arf)，则气体源451a之一可以包含以下气体的混合物，该气体的混合物包括卤素氟、稀有气体氩以及一种或多种其他稀有气体(诸如缓冲气体，包括惰性气体，如氖气)。所描述的混合物可以被称为三混合物。在该示例中，气体源451b可以包含以下气体的混合物，该气体的混合物包括氩气和一种或多种除任何氟以外的其他气体。所描述的混合物可以被称为双混合物。尽管仅示出了三个气体源451a、451b、451c，但是气体供应系统450可以具有少于三个或多于三个的气体源。[0107]决策模块327可以使用一个或多个信号与阀系统452通信以使阀系统452在气体再填充中将气体从特定气体源451a、451b、451c传送到腔室323中。附加地或备选地，决定模块327可以使用一个或多个信号与阀系统452通信以使阀系统452在再填充之前最初从腔室323放出所有气体，并且这种放出的气体可以被排放到气体废料场490。[0108]尽管未示出，阀系统452的流体控制阀可以包括被分配给气体子系统322的每个腔室或光学源340的每个腔室的多个阀。例如，阀系统452可以包括允许气体以第一速率进出腔室的注入阀、以及允许气体以与第一速率不同的第二速率进出腔室的腔室填充阀。[0109]参考图5，示出了光学系统305的实现505。光学系统505是包括光学源540的双腔室光学系统505，光学源540具有第一气体子系统522a以及与第一气体子系统522a光学连通的第二气体子系统522b。第一气体子系统522a是主振荡器系统，并且第二气体子系统522b是功率放大器系统。主振荡器系统522a包括主振荡器气体放电腔室523a，并且功率放大器系统522b包括功率放大器气体放电腔室523b。主振荡器气体放电腔室523a包括两个细长电极作为能量源524a，该两个细长电极向腔室523a内的气体混合物520a提供脉冲能量源。功率放大器气体放电腔室523b包括两个细长电极作为能量源524b，该两个细长电极向腔室523b内的气体混合物520b提供脉冲能量源。[0110]主振荡器系统522a向功率放大器系统522b提供脉冲放大光束(称为种子光束)508。主振荡器气体放电腔室523a容纳气体混合物520a，该气体混合物520a包括其中发生放大的增益介质，并且主振荡器系统522a包括诸如光学谐振器的光学反馈机构。光学谐振器被形成在主振荡器气体放电腔室523a的一侧上的光谱光学系统541与主振荡器气体放电腔室523a的第二侧上的输出耦合器542之间。功率放大器气体放电腔室523b容纳气体混合物520b，该气体混合物520b包括当利用来自主振荡器系统522a的种子光束508来发展时其中发生放大的增益介质。如果功率放大器系统522b被设计作为再生环形谐振器，则它被描述作为功率环形放大器，并且在这种情况下，可以从环形设计提供足够的光学反馈。功率放大器系统522b还可以包括光束返回(例如反射器)543，该光束返回(例如经由反射)将光束返回到功率放大器气体放电腔室523b中，以形成循环和环路径(其中进入环形放大器的输入与离开环形放大器的输出相交)。例如，主振荡器系统522a可以发射脉冲种子光束508，该脉冲种子光束508具有每脉冲大约1毫焦耳(mj)的种子脉冲能量，并且这些种子脉冲可以被功率放大器系统522b放大到约10至15mj。[0111]在相应放电腔室523a、523b中使用的气体混合物(例如，气体混合物520a、520b)可以是用于产生围绕所需波长、带宽和能量的放大光束的合适气体的组合。例如，如以上所讨论的，气体混合物520a、520b可以包括氟化氩(arf)(发射波长约为193nm的光)或氟化氪(krf)(发射波长约为248nm的光)。[0112]参考图6，训练装置650建立学习模型125。训练装置650包括训练模块652，该训练模块652被配置为接收训练数据集654并且基于训练数据集654来生成学习模型125。训练模块652可以包括或可以访问一个或多个可编程处理器，并且可以各自执行指令程序以通过对输入数据进行操作并生成适当的输出来执行期望的功能。训练模块652能够以数字电子电路系统、计算机硬件、固件或软件中的任何一种来实现。在另外的实现中，训练模块652访问存储器，该存储器被配置为存储从训练模块652输出的信息、用于生成训练数据集654的信息、或训练数据集654。存储器可以是只读存储器和/或随机存取存储器，并且可以提供适于有形地体现计算机程序指令和数据的存储设备。训练模块652还可以包括一个或多个输入设备(诸如键盘，实现触摸的设备，音频输入设备)和一个或多个输出设备(诸如音频输出或视频输出)。[0113]训练数据集654由多个测试光学系统605t-i(其中i＝1、2、3…x)形成，并且基于在测试光学系统605t-i中的每个测试光学系统上执行的一个或多个系统改变k。测试光学系统605t-i可以包括或可以不同于将由决策模块127、327分析的光学系统105。每个系统改变k可以是测试光学系统605t-i内的气体混合物620-i的再填充或测试光学系统605t-i的配置的改变。[0114]训练数据集654包括两个多维矩阵，每个被称为pc集pc set(i，k)。第一矩阵[pc set prior(i，k)]包括与每个测试光学系统605t-i和在该测试光学系统605t-i的系统改变之前取得的每个系统改变k有关的多个性能状况值。第二矩阵[pc set after(i，k)]包括与每个测试光学系统605t-i和在该测试光学系统605t-i的系统改变之后取得的每个系统改变k有关的多个相同性能状况值。该集合中的值i与其中执行系统改变的测试光学系统605t-i相对应(i的范围从1到x)，并且值k与对第i个测试光学系统605t-i执行的特定系统改变相对应(k的范围从1到y)。每个测试光学系统605t-i的系统变化k的总数y可以变化。即，在一些测试光学系统605t-i上执行的系统改变可以比在其他测试光学系统605t-i上执行的系统改变更多。[0115]每多个性能状况值pc set包括多个性能状况，并且多个性能状况中的不同性能状况的总数可以是任何数目，并且仅取决于接口模块360监测或跟踪多少性能状况。例如，在一些情况下，在多个值pc set中可以存在几十个性能状况。[0116]因此，训练数据集654包括针对每个测试光学系统605t-i的性能状况值的若干集合，因为针对测试光学系统605t-i中的每个测试光学系统执行若干气体再填充。例如，训练数据集654可以包括针对数百或数千个气体再填充的多个性能状况值，该数百或数千个气体再填充可以与数十或数百个不同的测试光学系统605t-i相关联。另外，训练数据集654可以包括对测试光学系统605t-i的配置的数十或数百或数千个改变的多个性能状况值。[0117]因为学习模型125是由如此多的不同系统改变k(包括气体再填充和对配置的改变)和如此多的不同测试光学系统605t-i构建的，所以学习模型125可以是模块化的。这意味着学习模型125可以用在具有与用于产生被输入到训练模块652的训练数据集654的测试光学系统605t-i类似的设计的任何其他光学系统105上。[0118]学习模型125是预测模型125。在一些实现中，学习模型125包括支持向量机，如以上所讨论的，当由决策模块127(图1)使用时，支持向量机将每个输入(性能度量107)分类为与有效性129有关的两个类中的一个类。对所提出的系统改变(诸如气体再填充)的有效性129的估计指示光学系统105的性能状况是否将由于所提出的系统改变而改善。第一类是积极的，这意味着所提出的系统改变将是有效的并且改善光学系统105的性能状况；并且第二类是中性或非积极的，这意味着所提出的系统改变将不是有效的，并且因此将不会改善光学系统105的性能状况。[0119]学习模型125最初产生模拟输出，该模拟输出指示观察(性能度量107)位于超平面的哪一侧、以及其离超平面有多远。模拟输出的值的范围在+1和1之间，并且阈值以简化的形式可以是0。[0120]学习模型125基于模拟数据来确定二进制输出(积极或中性类)。因此，学习模型125可以将任何正值分配给第一积极类(+1)并且将任何负值分配给第二中性类(-1)。学习模型125以稍微较小的置信度分配接近于0的任何值。因此，例如，给定输入向量κ(性能度量107)，正的且具有小量值(例如，+0.2)的模拟输出指示输入向量κ位于超平面的“正”侧但接近超平面，并且因此当被分类为积极类时受到一些不确定性的影响。另一方面，负的且具有较大量值(例如，0.9)的模拟输出指示输入向量κ位于超平面的“负”侧但相对远离超平面，并且因此更可能被正确分类为中性类。[0121]参考图7，根据过程760训练学习模型125。训练模块652执行过程760。最初，训练模块652接收训练数据集654(762)。接下来，训练模块652基于训练数据集654来生成学习模型125(764)。在一些实现中，使用测试数据集来验证(766)所生成的学习模型125，如下面所讨论的。所生成的学习模型125被输出以供决策模块127使用。[0122]训练模块652可以通过以下来生成学习模型125(764)：针对每个系统变化k和每个测试光学系统605t-i，将在系统改变之后测量的多个性能状况值pc set(i，k)与在该系统改变之前测量的多个性能状况值pc set(i，k)进行比较。最终，学习模型125的生成(764)包括性能度量107(包括多个性能状况值)到特定命令109的映射，该特定命令109可以是再填充命令或维持命令或用于改变光学系统105的配置的命令。[0123]如所提及的，过程760还可以包括测试学习模型125的可选过程766。在决策模块127使用学习模型125之前，可以测试766学习模型125，以确保学习模型125以适当的输出约束集进行操作。可以执行测试766以确定学习模型125的准确性。例如，测试766可以确定学习模型125正确地预测气体再填充在58％的时间是不必要的，并且因此导致节省58％的时间。测试766可以确定学习模型125正确地预测气体再填充在28％的时间是必要的。测试766可以确定学习模型125不确定地预测气体再填充在6％的时间是必要的并且学习模型125不正确地预测气体再填充在8％的时间是不必要的。在该示例中，学习模型125的准确度为86％。测试766的结果可以用于调整学习模型125，使得学习模型125不正确地预测气体再填充是不必要的时间百分比小于较低值(诸如3％)。通过以这种方式调整学习模型125，可以降低当学习模型125不正确地预测气体再填充是不必要的时损坏光学系统105的风险。学习模型125可以通过使用可配置参数来调整，该可配置参数调整学习模型125中的分离超平面，并且该调整使得学习模型125的决策更加保守。[0124]在一些实现中，通过将阈值改变为稍微偏离0的值来进行调整。例如，如果调整的目的是偏置学习模型125以做出更积极的决策(因此+1的第一积极类)，则阈值可以被改变为-0.2。在其他实现中，通过在过程760期间插入惩罚函数来进行调整，该惩罚函数将惩罚得分分配给每个可能的结果，然后由惩罚函数按比例调整训练期间的每个观察，使得所生成的学习模型125变得固有地偏向具有最低惩罚系数的结果。[0125]另外，在一些实现中，训练模块652还基于光学系统105的类型、配置和/或年龄来生成学习模型125(764)。该信息可以从接口模块360获得，接口模块360可以监测光学系统105。例如，对于相对较新的光学系统105，一些性能状况将随着气体再填充而改善，同时对于相对较旧的光学系统105，其他性能状况将随着气体再填充而改善。作为另一示例，mo漏失通常与光学系统505内的主振荡器系统522a的气体放电腔室523a的寿命终止相关联。因此，如果学习模型125接收到指示mo漏失以高速率发生并且腔室523a为旧的信息，则学习模型125不太可能将光学系统505的问题归因于腔室523a内的气体混合物520a的运行状况。另一方面，如果学习模型125接收到指示主振荡器系统522a的mo漏失以高速率发生并且腔室523a为新的信息，则学习模型125更可能推断出光学系统505的问题与腔室523a内的气体混合物520a的运行状况有关。[0126]参考图8，执行测试学习模型125的过程766。过程766可以由专用测试模块执行。过程766包括接收测试数据集868(870)。测试数据集868包括在系统改变k之前测量的测试性能状况值的集合pc-tset(i，k)和在该组系统改变k之后测量的测试性能状况值的集合pc-tset(i，k)。除了在训练过程760期间不使用测试数据集868之外，测试数据集868可以以类似于训练数据集654的方式创建。这样，测试数据集868不以其倾向偏置训练过程760。[0127]接下来，将测试数据集868应用于从训练过程760产生的学习模型125(872)。测试数据集868可以通过以下被应用于学习模型125：将在系统改变k的集合之前测量的测试性能状况值pc-t set(i，k)输入到学习模型125中，然后估计光学系统105的每个系统改变(例如，气体混合物120的每个气体再填充或配置的每个改变)的有效性129(872)。有效性129是关于系统改变(即，气体再填充或配置的改变)是否会引起光学系统105的性能状况的误差率的可接受的降低的预测。[0128]专用测试模块通过将从学习模型125输出的有效性129与在该系统改变k的集合之后实际测量的测试性能状况值的集合pc-t set(i，k)进行比较来确定学习模型125是否是可接受的(874)。在874可以确定有效性129是否具有大于特定百分比的准确度。例如，专用测试模块确定学习模型125准确预测气体再填充是必要的频率以及学习模型125准确预测气体再填充是不必要的频率。作为另一示例，专用测试模块可以将使用测试性能状况pc-t set(i，k)的有效性129的准确度与使用训练数据集654的有效性129的准确度进行比较。如果这两个准确度在彼此的几个百分点内，则学习模型125可以被认为是拟合良好的和可推广的。从专用测试模块输出的有效性129指示系统改变是否将显著减少测试性能状况值的误差，并且将其与在系统改变k的集合之后实际测量的测试性能状况值的集合pc-t set(i，k)进行比较。[0129]如果专用测试模块确定学习模型125是可接受的(874)，则输出学习模型125以供决策模块127使用(876)。另一方面，如果专用测试模块确定学习模型125导致太多的不正确预测，则专用测试模块可以调整学习模型125以减少不正确预测的数目(878)。[0130]参考图9，过程980由决策模块127执行，以用于预测所提出的光学系统105的系统改变是否会改善光学系统105的操作。例如，程序980预测光学系统105内的一个或多个改善是否会改善光学系统105的操作。一个或多个改变包括光学系统105内的气体混合物120的气体再填充、光学系统105的配置的改变、以及气体混合物120的气体再填充和光学系统105的配置的改变。[0131]决策模块127接收关于是否可以进行光学系统105的状态改变的查询(981)。查询(981)可以有规律地发生，例如，它可以以设定的频率发生，并且该频率可以取决于诸如光学系统105的运行状况或年龄的因素。例如，查询(981)可以每隔几分钟、每隔几百分钟或每隔几天发生。查询(981)可以在光学系统105外部生成，或者在某些情况下可以由输出装置115生成，或者查询(981)可以由现场工程师或操作员生成。当输出装置115或光学系统105的监测方面高于阈值时，可以生成查询(981)。[0132]例如，当性能状况误差率上升到阈值以上时，可以生成查询(981)。性能状况误差率可以是光学系统105的性能状况的集合的误差率。性能状况误差率可以根据量测模块360的输出来确定。查询(981)可以由接口模块360生成并且被提供给决策模块127。[0133]查询(981)可以包括对光学系统105的气体混合物120的气体再填充的请求。[0134]一旦接收到查询(981)，决策模块127例如从接口模块360接收性能度量107(982)。决策模块127基于性能度量107和预定学习模型125来估计所提出的光学系统105的系统改变(例如，所提出的气体混合物120的气体再填充)的有效性129(983)。决策模块127(经由学习模型125)因此被配置为在执行气体再填充之前估计所提出的气体混合物120的气体再填充的有效性129，使得避免不必要的气体再填充或执行必要的气体再填充。决策模块127还可以确定改变光学系统105的配置是否更有意义，以便改进光学系统105的操作(代替或除了执行气体再填充)。[0135]如果估计(982)所提出的气体再填充是有效的，则决策模块127指导109光学系统105中的气体再填充(984)。[0136]决策模块127可以通过例如向光学系统105输出指示光学系统105再填充气体混合物的气体再填充命令109来指示气体再填充(984)。[0137]过程980还可以包括：如果估计(983)所提出的气体再填充是无效的129，则延迟气体再填充(由返回到步骤981表示)。此外，通过向光学系统105输出维持命令109以延长气体混合物的使用，决策模块127可以备选地延迟气体再填充。如果决策模块127确定配置的特定改变将导致对光学系统105的操作的改进，则决策模块127可以备选地指导或建议光学系统105的配置的改变。[0138]因此，一旦决策模块127已决定延迟气体再填充(并延长气体混合物12的寿命)，过程980返回以等待进一步的状态改变查询(981)，此时决策模块127接收性能度量107(982)，并且估计所提出的对光学系统105的系统改变的有效性129(983)。这样，气体混合物120被尽可能地使用，但不会被过度使用。监测装置100允许光学系统105优化气体混合物120的使用。此外，监测装置100促进了资源的节约并且提供了减少气体再填充次数的可能性。[0139]决策模块127可以通过确定或估计由光学系统105产生的光束110的性能状况是否将被气体再填充改善来估计所提出的再填充的有效性129。例如，决策模块127使用学习模型125来确定光束质量的误差率是否会由于执行气体再填充而降低。[0140]被监测并被包括在性能度量107中的性能状况包括以下项中的一项或多项：光束110的光束质量误差的类型，在一段时间内气体混合物120中发生放电事件的次数，与光束110的光束质量的误差相关联的一个或多个故障，光束110的光束质量以及光束110的光束质量的误差。性能状况可以包括在一段时间或使用期间气体混合物120中的放电事件的计数。被监测的性能状况可以包括所有的误差事件(即，光束110或光学系统105的操作参数或特性超过阈值的事件)以及与每个误差事件相关联的元数据。性能状况还可以包括针对误差事件中的每个误差事件从故障标记算法输出的得分，以由此将每个误差事件分类为已知的失效模式或失效标记。另外，性能状况可以包括光学系统105的配置的改变。[0141]参考图10a和图10b，示出了输出装置115的实现1015。在该实现中，输出装置115是光刻曝光装置1015，该光刻曝光装置1015包括光束110在到达晶片1092之前通过的投影光学系统1091、以及包括传感器1060的传感器系统或量测系统。光刻曝光装置1015可以是液体浸没系统或干燥系统。[0142]传感器1060可以是量测模块360的部分或与量测模块360通信。传感器1060例如可以是能够捕获晶片1092处的光束110的图像的相机或其他设备，或者是能够捕获对在x-y平面中的晶片1092处的光能的量进行描述的数据的能量传感器。[0143]例如，通过利用从投影光学系统1091输出的曝光束1093来曝光晶片1092上的辐射敏感光致抗蚀剂材料层，在晶片1092上形成微电子特征。具体参考图10b，投影光学系统1091包括狭缝1094、掩模1095和包括透镜系统1096的投影物镜。透镜系统1096包括一个或多个光学元件。光束110进入光刻曝光装置1015并且入射到狭缝1094上，并且光束110中的至少一些通过狭缝1094以形成曝光束1093。在图10a和图10b的示例中，狭缝1094是矩形的，并且将光束110成形为细长的矩形形状的光束(曝光束1093)。在掩模1095上形成图案，并且该图案确定成形光束的哪些部分被掩模1095透射以及哪些被掩模1095阻挡。图案的设计由要在晶片1092上形成的特定微电子电路设计确定。[0144]决策模块127在确定是否触发气体再填充时不只考虑性能状况的误差率。相反，决策模块127还使用性能度量107内与误差的类型或种类有关的信息来估计气体再填充是否有效。[0145]接下来，讨论了性能度量107的示例。性能度量107可以包括比接下来所讨论的元素更少的元素或更多的元素，并且该示例不意味着是限制性的。[0146]在该示例中，使用以下数据中的一者或多者来定义性能度量107：第一元数据集κmeta，包括与误差事件(bq)有关的数据和/或与光学系统有关的状态；第二数据集κfsd，包括针对每个误差事件bq的得分的集合，得分将误差事件bq分类为已知的故障标记；以及第三数据集κconfig，包括对光学系统105的配置的可能的/探测的改变的集合。性能度量107由这些数据集中的一者或多者构建，如接下来所讨论的。[0147]在一些实现中，性能度量107由这些数据集中的两个数据集(具体地，第一元数据集κmeta和第二数据集κfsd)构建。这将在下面进行讨论。[0148]第一元数据集κmeta可以包括以下信息：shotsgas，为自上次气体再填充以后被供应给气体混合物320的能量的脉冲总数；shotschamber，为自气体放电腔室323被最初安装在光学源340中以后被供应给气体放电腔室323内的任何气体混合物320的能量的脉冲总数；以及typebq，为与误差事件相关联的性能状况的类型。第一元数据集κmeta可以包括比所列出的信息更少或更多的信息。[0149]第二数据集κfsd可以包括得分fsd，该得分fsd是针对从接口模块360内的故障标记子模块360a输出的每个误差事件bq而确定的得分集。[0150]每个性能状况误差事件bq生成第一元数据集κmeta和第二数据集κfsd。例如，如果在气体再填充之前存在20个性能状况误差事件bq，则将存在20行，每一行包含对应于元数据的一列或多列和从故障标记子模块360a输出的得分集以形成矩阵。该矩阵信息可以被进一步变换成线性阵列κ，以用作用于学习模型125的性能度量307，如下所示。[0151]可以假设，在所提出的气体再填充之前的这样的小时间窗口中，针对shotsgas和shotschamber的数据在性能状况误差事件bq之间不应当显著地改变。因此，在气体再填充时的shotsgas和shotschamber的值可以在用于输入到线性阵列κ中的第一元数据集κmeta中使用。[0152]对于数据类型bq，对应的输入被定义作为被分配给每种类型的性能状况误差事件的性能状况误差事件bq的分数。接下来提供说明。在该特定示例中，存在五个性能状况误差事件，3个误差事件用于光束110的能量e，1个误差事件用于光束110的波长w，并且1个误差事件用于光束110的带宽b。该数据变换成1x3数组[0.6，0.2，0.2]，该数组可以用于第一元数据集κmeta，如下所示：[0153][0154]此外，对应于得分fsd的输入以相同的方式被变换，得到1×β阵列，其中阵列中的每个元素表示在β故障标记中的每个故障标记中标识的bq的分数，并且β对应于由故障标记子模块360a分析的故障标记集合中的故障标记的数目。例如，β可以是大于1的值，可以大于10，或者可以大于20，并且在接下来所讨论的一个具体示例中，β是28。[0155]然后可以用作用于学习模型125的性能度量307的线性阵列κ由上述阵列中的每个的级联给出，如下：[0156]κ＝[κmeta κfsd]，或[0157]κ＝[shotsgas(1×1)shotschamber(1×1)typebq(1×3)scoresfsd(1×28)]，其中κmeta＝[shotsgas(1×1)shotschamber(1×1)typebq(1×3)]以及κfsd＝[scoresfsd(1×20)]；shotsgas(1×1)是自上次气体再填充以后被供应给气体混合物320的能量的脉冲总数；shotschamber(1×1)是自气体放电腔室323被最初安装在光学源340中以后被供应给气体放电腔室323内的任何气体混合物320的能量的脉冲总数；typebq(1×3)是三种类型的性能状况误差事件bq的线性阵列；以及得分fsd(1×28)是28个得分的线性阵列，每个得分由接口模块360内的故障标记子模块360a确定。[0158]在过程980的步骤982，该级联线性阵列307被输入到学习模型125中。可以包括支持向量机的学习模型125将线性阵列κ307分类为与有效性129有关的两个类中的一个类。第一类是积极的，这意味着所提出的气体再填充将是有效的并且改善光学系统105的性能状况；并且第二类是中性的或非积极的，这意味着所提出的气体再填充将是无效的并且因此将不会改善光学系统105的性能状况。决策模块127基于所确定的类来确定有效性129，并且将命令109输出到光学系统305。[0159]图11a和图11b示出了如何形成子阵列κfsd的另一示例。在该示例中，自上一次气体再填充以来存在n bq(性能状况误差事件)，并且每个性能状况误差事件bq通过故障标记子模块360a生成32个得分，产生[n×32]矩阵，如图11a所示。换言之，故障标记子模块360a执行32个分析，每个分析用于与误差事件bq相关联的每个误差事件文件。图11a中的每一列表示由32个分析中的每个分析所关联的似然得分，并且这些似然得分已经被调整，使得大于1的得分意味着关联的故障标记被认为存在。在该示例中，bq1针对f101故障标记生成1.54的得分，针对f102故障标记生成0.29的得分，针对f103故障标记生成0.03的得分等。目标是将该[n×32]矩阵变换成[1×32]子阵列κfsd，[1×32]子阵列κfsd可以与其他子阵列级联以形成用作性能度量307的阵列κ。[0160]图11b示出了接口模块360如何使用这些似然得分。具体地，接口模块360(经由故障标记子模块360a或输出子模块362)对每个得分进行阈值化，使得图11b的矩阵中的每个元素表示二元判定；即，是否存在故障标记。接下来，对列进行总计，从而每个元素表示在特定窗口内每个故障标记在所有误差事件文件内出现的总次数。然后，将每个元素除以误差事件文件的总数，使得每个元素表示指示每个误差标记在误差事件bq的样本中有多普遍的分数，并且最终形式是子阵列κfsd。如图11b所示，如果得分大于或等于1.00，则为得分指定值1，如果得分小于1.00，则为得分指定值0。[0161]在一些实现中，可以用作用于学习模型125的性能度量307的线性阵列κ不仅由每个子阵列κmeta和κfsd的级联给出，而且还包括与光学系统105的配置改变的集合有关的第三子阵列κconfig：例如，线性阵列κ可以对应于：[0162]κ＝[κmeta κfsd κconfig][0163]如果在训练期间使用配置改变来形成学习模型125，则该第三子阵列κconfig可以被包括在性能度量107中，因为这意味着学习模型125被配备为：不仅分析所提出的气体再填充是否将改善光学系统105的操作，而且还分析光学系统105的配置的某些改变是否将改善光学系统105的操作。作为示例，气体再填充呈现出可以减少与一个或多个性能状况相关联的误差事件，但是误差事件的减少实际上是由于光学系统105的配置的改变(在训练期间随着气体再填充在时间上发生或重叠)。学习模型125可以在哪个改变(气体再填充或配置改变)或两个改变(气体再填充和配置改变)是否会导致光学系统105的操作的改进之间进行区分。[0164]在该示例中，子阵列κconfig可以由阵列[κc1、κc2、…κc11]表示，其中每个κci与光学系统105的配置参数(δcpi)的改变相对应。在图12的表中示出了针对光学系统105的κci值的示例，该光学系统105可以是图3所示的光学系统305，或者是如图5所示的光学系统505。例如，在图12的表中，κc1分别对应于相应气体子系统322/522a/522b的腔室323/523a/523b内的组分之一的浓度的改变；κc2对应于相应气体子系统322/522a/522b的腔室323/523a/523b内的组分中的另一组分的浓度的改变；κc3对应于与如何将组分注入到相应子系统322/522a/522b的腔室323/523a/523b中有关的属性的改变；并且κc8对应于与光学系统305或505的组件相关联的目标温度的改变。[0165]因此，在该示例中，当确定气体再填充或对光学系统105的配置改变的有效性129时，决策模块127还考虑这些配置改变。例如，如以上所讨论的，气体再填充可以降低与气体运行状况(诸如主振荡器系统522a上的漏失)最有关的误差事件bq之一的误差率。但是，误差事件bq(在这种情况下是主振荡器系统522a上的漏失)的误差率的降低也可以由除了气体再填充之外的配置改变驱动，或者不管气体再填充如何。例如，主振荡器系统522a的腔室523a的温度的改变可以导致主振荡器系统522a上的mo漏失的误差率的降低。[0166]其他实现在权利要求的范围内。[0167]例如，在其他实现中，学习模型125包括神经网络、决策树、k最近邻模型(代替支持向量机)、或具有类似输入/输出结构的任何其他机器学习模型。学习模型的方面包括：汇编数据集，汇编具有故障标记检测(fsd)的输入向量，训练数据集，测试数据集，然后应用学习模型。[0168]本发明的其它方面在以下编号的条款中阐述。[0169]1.一种装置，包括：[0170]决策模块，被配置为：[0171]接收与发射光束的光学系统的性能状况有关的性能度量；[0172]基于性能度量和预定学习模型，估计所提出的对光学系统的改变的有效性；以及[0173]如果估计所提出的对光学系统的改变是有效的，则向光学系统输出改变命令。[0174]2.根据条款1的装置，其中决策模块被配置为：如果决策模块估计所提出的对光学系统的改变是无效的，则向光学系统输出维持命令。[0175]3.根据条款1的装置，其中决策模块被配置为：通过确定光束的性能状况是否被改善，估计所提出的改变的有效性。[0176]4.根据条款3的装置，其中确定光束的性能状况是否被改善包括：确定光束质量的误差率是否被降低。[0177]5.根据条款1的装置，其中性能状况包括以下项中的一项或多项：光束的光束质量误差的类型，在一定时段内气体混合物中发生放电事件的次数，与光束的光束质量的误差相关联的一个或多个故障，光束的光束质量，光束的光束质量的误差，与光束的操作参数或特性相关联的误差事件，相对于故障标记对每个误差事件的分析，以及光学系统的配置的改变。[0178]6.根据条款1的装置，其中决策模块被配置为：在实现对光学系统的改变之前，估计所提出的改变的有效性。[0179]7.根据条款1的装置，还包括接口模块，接口模块与决策模块通信，接口模块提供性能度量，其中接口模块包括多个光束质量检测模块，多个光束质量检测模块包括：[0180]一个或多个光谱特征检测模块，每个光谱特征检测模块被配置为：检测光束的相应光谱特征的误差，并且产生指示光束的相应光谱特征误差的误差事件信号；以及[0181]能量检测模块，被配置为：检测光束的能量的误差，并且产生指示光束的能量误差的误差事件信号；[0182]其中光谱特征包括光束的带宽或波长，并且其中性能度量是基于相应光谱特征和能量的误差事件而产生的。[0183]8.根据条款7的装置，其中接口模块包括：[0184]放电计数检测模块，被配置为：检测光学系统的气体混合物中的放电事件的发生，并且产生指示在一定时段内的放电事件的计数的信号，其中性能度量包括与从放电计数检测模块产生的信号有关的数据。[0185]9.根据条款8的装置，其中时段从上一次气体混合物被再填充开始测量，或者从包含气体混合物的一个或多个腔室被添加到光学系统开始测量。[0186]10.根据条款7的装置，其中接口模块包括：[0187]故障标记模块，被配置为：相对于故障标记的集合，分析每个光束质量误差事件，并且产生将光束质量误差事件分类为已知故障标记的似然得分；[0188]其中性能度量包括与来自故障标记模块的输出有关的数据。[0189]11.根据条款1的装置，其中预定学习模型接收性能度量作为输入，并且输出估计。[0190]12.根据条款1的装置，其中预定学习模型是支持向量机。[0191]13.根据条款12的装置，其中预定学习模型包括分离的超平面，超平面将性能度量分类为是或否，其中是分类指示所提出的改变是有效的，并且否分类指示所提出的改变不是有效的。[0192]14.根据条款1的装置，其中预定学习模型基于光学系统的类型、配置和/或年龄来构建。[0193]15.根据条款1的装置，其中对所提出的改变的有效性的估计指示光学系统在所提出的改变之后的性能状况相对于光学系统在所提出的改变之前的状况是否改善。[0194]16.根据条款1的装置，其中决策模块被配置为：通过将光学系统在所提出的改变之后的性能状况与光学系统在所提出的改变之前的性能状况进行比较，估计所提出的改变的有效性，其中决策模块被配置为：如果比较结果指示性能状况改善预定量，则输出改变命令。[0195]17.根据条款1的装置，其中所提出的对光学系统的改变包括：所提出的光学系统内的气体混合物的再填充和所提出的光学系统的配置的改变中的一者或多者。[0196]18.根据条款17的装置，其中决策模块被配置为：还基于探测到的对光学系统的配置的改变，估计所提出的光学系统内的气体混合物的再填充的有效性。[0197]19.一种方法，包括：[0198]接收基于多个测试光学系统的训练数据集，针对每个测试光学系统的多个改变中的每个改变，训练数据集包括：[0199]与在改变之前的测试光学系统有关的多个性能状况值；以及[0200]与在改变之后的测试光学系统有关的多个性能状况值；以及[0201]基于训练数据集来生成预测模型，预测模型基于与光学系统的性能状况有关的性能度量来估计所提出的光学系统的改变的有效性。[0202]20.根据条款19的方法，其中生成预测模型包括：针对每个改变，将与在改变之后的测试光学系统有关的多个性能状况值和与在改变之前的测试光学系统有关的多个性能状况值进行比较，比较结果指示改变的有效性。[0203]21.根据条款19的方法，其中预测模型是学习模型。[0204]22.根据条款21的方法，其中学习模型包括支持向量机。[0205]23.根据条款19的方法，其中生成预测模型包括：将性能度量映射到维持命令或改变命令中的一者，维持命令和改变命令基于所提出的对光学系统的改变的经估计的有效性。[0206]24.根据条款19的方法，其中训练数据集包括：来自多个测试光学系统的至少几千个改变。[0207]25.根据条款19的方法，其中性能状况包括以下项中的一项或多项：从光学系统产生的光束的光束质量误差率，从光学系统产生的光束的光束质量误差的类型，在一定时段内在光学系统的气体混合物中发生放电事件的次数，与从光学系统产生的光束的光束质量的误差相关联的一个或多个故障，光学系统的工作效率的异常，从光学系统产生的光束的一个或多个光谱特征的误差，与光束的操作参数或特性相关联的误差事件，每个误差事件相对于故障标记的分析，以及光学系统的配置的改变。[0208]26.根据条款19的方法，还包括：在将与光学系统的性能状况有关的性能度量应用于预测模型之前，测试预测模型，其中测试预测模型包括：[0209]使用测试数据集，针对多个改变中的每个改变和多个测试光学系统中的每个测试光学系统，测试数据集包括：与在改变之前的测试光学系统有关的多个性能状况值以及与在改变之后的测试光学系统有关的多个性能状况值，测试数据集从训练数据集中被排除，以及[0210]将与在改变之前的测试光学系统有关的多个性能状况值应用于预测模型，并且将预测模型的每个实际输出和来自测试数据集的、与在改变之后的测试光学系统有关的相关联的性能状况值进行比较。[0211]27.根据条款19的方法，其中对所提出的改变的有效性的估计指示：光学系统在所提出的改变之后的性能状况相对于光学系统在所提出的改变之前的状况是否改善。[0212]28.根据条款19的方法，还包括：调整预测模型，以降低预测模型估计所提出的改变是无效的似然。[0213]29.根据条款19的方法，其中生成预测模型还基于光学系统的类型、配置和/或年龄。[0214]30.根据条款19的方法，其中预测模型被配置为：估计所提出的对光学系统的改变的有效性。[0215]31.根据条款19的方法，其中所提出的对光学系统的改变包括：所提出的光学系统内的气体混合物的再填充和所提出的光学系统的配置的改变中的一者或多者。[0216]32.根据条款19的方法，其中光学系统不同于测试光学系统。[0217]33.一种方法，包括：[0218]接收与发射光束的光学系统的性能状况有关的性能度量；[0219]基于性能度量和预定学习模型，估计所提出的对光学系统的改变的有效性；以及[0220]如果估计所提出的改变是有效的，则指导对光学系统的改变。[0221]34.根据条款33的方法，其中指导对光学系统的改变包括：向光学系统输出改变命令。[0222]35.根据条款33的方法，还包括：如果估计所提出的改变是无效的，则延迟改变。[0223]36.根据条款35的方法，其中延迟改变包括：向光学系统输出维持命令。[0224]37.根据条款35的方法，还包括：在延迟改变之后：[0225]接收与光学系统的性能状况有关的性能度量；以及[0226]基于性能度量和预定学习模型，估计所提出的对光学系统的改变的有效性。[0227]38.根据条款33的方法，其中估计所提出的改变的有效性包括：确定光束的性能状况是否被改善。[0228]39.根据条款38的方法，其中确定光束的性能状况是否被改善包括：确定光束质量的误差率是否被降低。[0229]40.根据条款33的方法，其中性能状况包括以下项中的一项或多项：光束的光束质量误差的类型，在一定时段内气体混合物中发生放电事件的次数，与光束的光束质量的误差相关联的一个或多个故障，光束的光束质量，光束的光束质量的误差，与光束的操作参数或特性相关联的误差事件，相对于故障标记对每个误差事件的分析，以及光学系统的配置的改变。[0230]41.根据条款33的方法，其中预定学习模型被配置为：在实现对光学系统的改变之前，估计所提出的改变的有效性。[0231]42.根据条款33的方法，其中性能状况包括：在一定时段内的气体混合物中的放电事件的计数。[0232]43.根据条款33的方法，其中预定学习模型接收性能度量作为输入，并且输出估计。[0233]44.根据条款33的方法，其中预定学习模型是支持向量机。[0234]45.根据条款44的方法，其中预定学习模型包括分离的超平面，超平面将性能度量分类为是或否，其中是分类指示所提出的改变是有效的，并且否分类指示所提出的改变不是有效的。[0235]46.根据条款44的方法，其中对所提出的改变的有效性的估计指示：光学系统在所提出的改变之后的状况相对于光学系统在所提出的改变之前的状况是否改善。[0236]47.根据条款33的方法，其中所提出的对光学系统的改变包括：所提出的光学系统内的气体混合物的再填充和所提出的光学系统的配置的改变中的一者或多者。[0237]48.根据条款47的方法，其中估计所提出的光学系统内的气体混合物的再填充的有效性还基于对光学系统的配置的可能改变。[0238]49.一种非瞬态计算机可读介质，该非瞬态计算机可读介质存储指令，该指令在由计算机执行时使其执行以下方法，该方法包括：[0239]接收基于多个测试光学系统的训练数据集，针对每个测试光学系统的多个改变中的每个改变，训练数据集包括：[0240]与在改变之前的测试光学系统有关的多个性能状况值；以及[0241]与在改变之后的测试光学系统有关的多个性能状况值；以及[0242]基于训练数据集来生成预测模型，预测模型基于与光学系统的性能状况有关的性能度量来估计所提出的光学系统的改变的有效性。[0243]50.一种非瞬态计算机可读介质，该非瞬态计算机可读介质存储指令，该指令在由计算机执行时其执行以下方法，该方法包括：[0244]接收与发射光束的光学系统的性能状况有关的性能度量；[0245]基于性能度量和预定学习模型，估计所提出的对光学系统的改变的有效性；以及[0246]如果估计所提出的改变是有效的，则指导对光学系统的改变。[0247]51.一种装置，包括：[0248]决策模块，被配置为：[0249]接收与发射光束的光学系统的性能状况有关的性能度量；[0250]基于性能度量和预定学习模型，估计所提出的光学系统的气体混合物的再填充的有效性；以及[0251]如果估计所提出的光学系统的气体混合物的再填充是有效的，则向光学系统输出再填充命令。[0252]52.一种方法，包括：[0253]接收基于多个测试光学系统的训练数据集，针对每个测试光学系统的多次气体再填充中的每次气体再填充，训练数据集包括：[0254]与在气体再填充之前的测试光学系统有关的多个性能状况值；以及[0255]与在气体再填充之后的测试光学系统有关的多个性能状况值；以及[0256]基于训练数据集来生成预测模型，预测模型基于与光学系统的性能状况有关的性能度量来估计所提出的光学系统中的气体混合物的气体再填充的有效性。[0257]53.一种方法，包括：[0258]接收与发射光束的光学系统的性能状况有关的性能度量；[0259]基于性能度量和预定学习模型，估计所提出的光学系统的气体混合物的气体再填充的有效性；以及[0260]如果估计所提出的气体再填充是有效的，则指导对光学系统的气体再填充。[0261]54.一种非瞬态计算机可读介质，该非瞬态计算机可读介质存储指令，该指令在由计算机执行时使其执行以下方法，该方法包括：[0262]接收基于多个测试光学系统的训练数据集，针对每个测试光学系统的多次气体再填充中的每次气体再填充，训练数据集包括：[0263]与在气体再填充之前的测试光学系统有关的多个性能状况值；以及[0264]与在气体再填充之后的测试光学系统有关的多个性能状况值；以及[0265]基于训练数据集来生成预测模型，预测模型基于与光学系统的性能状况有关的性能度量来估计所提出的光学系统中的气体再填充的有效性。[0266]55.一种非瞬态计算机可读介质，该非瞬态计算机可读介质存储指令，该指令在由计算机执行时使其执行以下方法，该方法包括：[0267]接收与发射光束的光学系统的性能状况有关的性能度量；[0268]基于性能度量和预定学习模型，估计所提出的光学系统中的气体再填充的有效性；以及[0269]如果估计所提出的气体再填充是有效的，则指导对光学系统的气体再填充。[0270]本公开的宽度和范围不应受任何上述示例性实施例的限制，而应仅根据所附权利要求及其等效来限定。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!