The invention discloses an adaptive method for predicting the voltage threshold of MLC flash memory based on deep neural network, which includes the following steps: obtaining the current appropriate voltage threshold; estimating the characteristic value of storage voltage distribution; and establishing the relationship between the characteristic value of storage voltage distribution and the voltage threshold by using deep neural network. By storing a large number of characteristic values of voltage distribution as training input and training output as predicted voltage threshold, a training is conducted to preserve the trained network weight; MLC flash memory is decoded once, and if the decoding is successful, it enters the next decoding. If the decoding fails, the distribution characteristic value of the storage voltage is obtained; the voltage threshold is obtained; the Gauss model is established to obtain the new LLR information; and a new decoding is carried out. By establishing the relationship between the current storage voltage distribution and the optimal voltage threshold corresponding to its distribution, the voltage threshold optimization for optimizing different data retention times is realized.
【技术实现步骤摘要】
基于深度神经网络预测MLC闪存电压阈值的自适应方法
本专利技术涉及存储
,具体涉及一种基于深度神经网络预测MLC闪存电压阈值的自适应方法。
技术介绍
随着手机、计算机及其他消费电子产品的广泛应用,传统的存储技术已经不能适用于当前高集成度低功耗快速集成电路技术的发展。闪存(FlashMemory)与DRAM、SRAM等存储介质相比较,其存储密度更大、单位成本更低、高读写访问速度,而且具有非易失性、抗震性、功耗低等特点。由于半导体器件尺寸的不断缩小和多层式存储(Multi-levelCell,MLC)高密度技术的使用,存储中的噪声造成的影响不断增大,急需解决NAND闪存所面临的可靠性降低、读写时延加长等主要问题。存储的可靠性是MLC闪存的一个关键技术指标。高密度使存储的可靠性降低,表现为较低的P/E循环耐久性,较短的数据保持。机器学习是人工智能领域的一个重要学科。自从20世纪80年代以来,机器学习在算法、理论和应用等方面都获得巨大成功。2006年以来,机器学习领域中一个叫“深度学习”的课题开始受到学术界广泛关注,到今天已经成为互联网大数据和人工智能的一个热潮。深度学习通过建立类似于人脑的分层模型结构,对输入数据逐级提取从底层到高层的特征,从而能很好地建立从底层信号到高层语义的映射关系。传统的闪存只针对不同的P/E次数进行阈值电压的优化,而对于数据保留时间(Dataretentiontime)则无法进行进一步处理。其主要原因是,数据保留时间无法直接获取,就无法针对不同的数据保留时间来设计合适的阈值电压。
技术实现思路
专利技术目的:为了克服现有技术中存在的不足 ...
【技术保护点】
1.基于深度神经网络预测MLC闪存电压阈值的自适应方法,其特征在于:包括如下步骤:1)获取当前合适的电压阈值Vi(6×1);2)估计存储电压分布的特征向量值Xi,特征向量长度为特征值的个数;3)利用深度神经网络建立存储电压分布的特征向量值与电压阈值的关系。网络的输入为Xi,网络的输出为预测电压阈值Vei,将整个网络结构视为一个函数f,其参数为Φ,通过深度神经网络学习的方法,将解决数据保留噪声问题转换为学习电压阈值的问题,预测电压阈值Vei=f(Xi)。在网络学习过程中,我们根据最小均方差,对网络进行逆向传播,其误差函数为:
【技术特征摘要】
1.基于深度神经网络预测MLC闪存电压阈值的自适应方法,其特征在于:包括如下步骤:1)获取当前合适的电压阈值Vi(6×1);2)估计存储电压分布的特征向量值Xi,特征向量长度为特征值的个数;3)利用深度神经网络建立存储电压分布的特征向量值与电压阈值的关系。网络的输入为Xi,网络的输出为预测电压阈值Vei,将整个网络结构视为一个函数f,其参数为Φ,通过深度神经网络学习的方法,将解决数据保留噪声问题转换为学习电压阈值的问题,预测电压阈值Vei=f(Xi)。在网络学习过程中,我们根据最小均方差,对网络进行逆向传播,其误差函数为:在训练过程中,改变P/E以及数据保留时间以获得不同的电压信息Xi和Vi,从而训练出最优的Φ作为神经网络参数,通过大量线下的数据训练,完善神经网络,并将训练好的网络权重保存下来;4)对MLC闪存进行一次译码,若译码成功,则进入下一次译码。若译码失败,则调用训练好的深度神经网络对当前的存储噪声数据进行一次估计,获取存储电压的分布特征值;5)将存储数据的特征值输入到神经网络的输入端,获取神经网络估计的电压阈值;6)利用存储数据的特征值和预测的电压阈值,建立高斯模型,从而获取新的LLR信息;7)将获取的预测电压阈值和新的LLR信息输入译码器当中,重新...
【专利技术属性】
技术研发人员:孔令军,李俊,王诚,韦康,赵熙唯,
申请(专利权)人:南京邮电大学,
类型:发明
国别省市:江苏,32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。