训练人工智能执行低密度奇偶检查码的译码程序的方法技术

本发明专利技术公开一种训练人工智能执行低密度奇偶检查码的译码程序的方法，适用于存储装置，包含：配置检验节点以及变量节点；输出记忆单元存储的存取位元值至变量节点；提供初始对数概度比至变量节点；在变量节点基于初始对数概度比译码存取位元值以输出译码位元值；在检验节点执行检验程序以检验译码位元值与记忆单元欲存储的数据位元值是否相同，若是，输出正确信息，若否，输出错误信息，接着执行下一步骤；启动人工智能类神经网络系统使用机器学习分析实作对数概度比；以及在变量节点基于实作对数概度比译码存取位元值。

【技术实现步骤摘要】
训练人工智能执行低密度奇偶检查码的译码程序的方法
本专利技术涉及一种译码方法，特别是涉及一种训练人工智能执行低密度奇偶检查码的译码程序的方法。
技术介绍
现在内存应用越来越普及化，在使用过程中会随着抹除与写入次数一些因素造成内存内部损伤，进而造成错误率上升，使得非挥发性内存(non-volatilememory)可靠度急剧下降，因此可以透过可靠性设计技术，特别是更正错误技术来提高非挥发性内存的可靠性，可以让产品更为长寿与稳定。为了确保延长非挥发性内存的使用寿命，控制电路中会设计错误更正模块，对从非挥发性内存读出来的数据进行错误纠正，消除非挥发性内存因为外在因素造成的错误。传统上，主流的错误更正编码都是采用BCH(Bose-Chaudhuri-Hochquenghem)Code，这种编码的计算速度相当快，纠正能力随着冗余位越多，更正能力会越强。但是随着非挥发性内存制造技术越来越高，BCH编码技术已经无法提供足够的更正能力，所以开始转向使用在通信领域广泛应用的低密度奇偶检查码(LowDensityParityCode,LDPC)纠错技术，藉由强大的更正能力开始成为存储领域中的新趋势。
技术实现思路
本专利技术所要解决的技术问题在于，针对现有技术的不足提供一种训练人工智能实现低密度奇偶检查码的译码程序的方法，适用于存储装置。存储装置包含记忆单元。记忆单元存储存取位元值。方法包含以下步骤：(a)设定检验节点以及变量节点；(b)连接检验节点至对应的变量节点；(c)输出存储装置的记忆单元所存储的存取位元值至变量节点；(d)提供初始对数概度比至变量节点；(e)在变量节点以基于初始对数概度比的初始译码程序译码接收到的存取位元值，以输出译码位元值至变量节点对应的检验节点；(f)在检验节点执行检验程序以检验译码位元值与记忆单元欲存储的数据位元值是否相同，若是，输出检验正确信息，若否，输出检验错误信息，接着执行下一步骤；(g)启动人工智能类神经网络系统，使用机器学习分析检验错误信息以及从外部接收的参考对数概度比，以输出实作对数概度比；以及(h)在变量节点接收到检验错误信息时，以基于相对于初始对数概度比的实作对数概度比的实作译码程序，重新译码检验错误信息指示的存取位元值以输出译码位元值，接着执行步骤(f)。优选地，所述训练人工智能执行低密度奇偶检查码的译码程序的方法还包含以下步骤：(i)在各该检验节点检验各该译码位元值与各该记忆单元欲存储的数据位元值是否相同，若是，输出该检验正确信息至该变量节点，若否，输出该检验错误信息至该变量节点以及该人工智能类神经网络系统，接着执行下一步骤(j)；以及(j)利用该人工智能类神经网络系统使用机器学习分析从该检验节点接收的该检验错误信息，以输出该实作对数概度至该变量节点。优选地，所述训练人工智能执行低密度奇偶检查码的译码程序的方法还包含以下步骤：(k)在各该变量节点以基于该初始对数概度比的该初始译码程序译码接收到的各该存取位元值；(l)判断在各该变量节点是否基于该初始对数概度比成功译码所接收的该记忆单元所存储的该存取位元值，若是，输出该译码位元值至对应的该检验节点，若否，输出译码失败信息至该变量节点以及该人工智能类神经网络系统；(m)启动该人工智能类神经网络系统使用机器学习分析各该译码失败信息以及该参考对数概度比，以输出对应的该实作对数概度比至该检验节点；(n)在该检验节点依据该实作对数概度比以及该译码失败信息，以输出重新译码指示信息至该变量节点；以及(o)在该变量节点依据来自该检验节点的该重新译码指示信息，在该变量节点以基于该实作对数概度比的该实作译码程序译码各该存取位元值。优选地，所述训练人工智能执行低密度奇偶检查码的译码程序的方法还包含以下步骤：(p)提供该多个记忆单元已存储的该多个存取位元值分别至该多个检验节点；(q)从该变量节点输出执行基于该初始对数概度比的该初始译码程序所产生的该多个该译码位元值分别至该多个检验节点；(r)利用该人工智能类神经网络系统使用机器学习分析各该存取位元值与该译码位元值是否相同，若否，判断该初始译码程序翻转该存取位元值，若是，判断该初始译码程序未翻转该存取位元值；(s)利用该人工智能类神经网络系统使用机器学习依据该参考对数概度比以及该初始对数概度比，以分析出该实作对数概度比；(t)利用该人工智能类神经网络系统使用机器学习分析未被该初始译码程序翻转的所有该多个检验错误信息指示的该多个存取位元值的译码顺序；以及(u)依据该译码顺序依序在该多个变量节点译码未被该初始译码程序翻转的所有该多个检验错误信息指示的该多个存取位元值。优选地，所述训练人工智能执行低密度奇偶检查码的译码程序的方法还包含以下步骤：(v)提供该多个记忆单元已存储的该多个存取位元值分别至该多个检验节点；(w)从该变量节点输出执行基于该实作对数概度比的该实作译码程序所产生的该多个该译码位元值分别至该多个检验节点；(x)利用该人工智能类神经网络系统使用机器学习分析各该存取位元值与该译码位元值是否相同，若否，判断该实作译码程序翻转该存取位元值，若是，判断该实作译码程序未翻转该存取位元值；(y)利用该人工智能类神经网络系统使用机器学习依据该另一参考对数概度比以及该实作对数概度比，以分析出另一实作对数概度比；(z)利用该人工智能类神经网络系统使用机器学习分析未被该实作译码程序翻转的所有该多个检验错误信息指示的该多个存取位元值的译码顺序；以及(aa)依据该译码顺序依序在该多个变量节点译码未被该实作译码程序翻转的所有该多个检验错误信息指示的该多个存取位元值。优选地，所述训练人工智能执行低密度奇偶检查码的译码程序的方法还包含以下步骤：(bb)设定奇偶检验矩阵，该奇偶检验矩阵具有多个行列位置，各该行列位置上具有矩阵数值，其中该奇偶检验矩阵中的多个行分别对应该多个检验节点以及多个列分别对应该多个变量节点；以及(cc)依据该奇偶检验矩阵的该多个矩阵数值，连接各该检验节点至对应的该一或多个变量节点。优选地，所述训练人工智能执行低密度奇偶检查码的译码程序的方法还包含以下步骤：(dd)设定该奇偶检验矩阵的各该行列位置上的该矩阵数值为逻辑0或逻辑1；(ee)在该奇偶检验矩阵中具有逻辑1的该行列位置对应的该变量节点执行该初始译码程序或该实作译码程序；以及(ff)在该奇偶检验矩阵中具有逻辑1的该行列位置对应的该检验节点执行该检验程序。优选地，所述训练人工智能执行低密度奇偶检查码的译码程序的方法还包含以下步骤：(gg)基于该多个变量节点分别对应该奇偶检验矩阵中的该多个行位置顺序，以决定在该多个变量节点分别译码该多个存取位元值的先后顺序。如上所述，本专利技术所提供的训练人工智能执行低密度奇偶检查码的译码程序的方法，其使用低密度奇偶检查码，在每次执行迭代程序时，训练人工智能类神经网络系统使用机器学习，依据在变量节点译码存储装置的记忆单元所存储的位元值失败的信息和导致译码失败的初始对数概度比，以及从外部接收的参考对数概度比，以分析出实作对数概度比以及决定重新译码位元值的顺序，以在多个变量节点基于实作对数概度本文档来自技高网...

【技术保护点】
1.一种训练人工智能执行低密度奇偶检查码的译码程序的方法，其特征在于，适用于存储装置，所述存储装置包含多个记忆单元，各所述记忆单元存储一或多个存取位元值，所述训练人工智能执行低密度奇偶检查码的译码程序的方法包含以下步骤：/n(a)配置多个检验节点以及多个变量节点；/n(b)连接各所述检验节点至所述一或多个变量节点；/n(c)输出所述存储装置的所述一或多个记忆单元所存储的所述多个存取位元值分别至所述多个变量节点；/n(d)提供多个初始对数概度比分别至所述多个变量节点；/n(e)在各所述变量节点以基于所述初始对数概度比的初始译码程序译码接收到的各所述存取位元值，以输出译码位元值至各所述变量节点对应的所述检验节点；/n(f)在各所述检验节点执行检验程序以检验各所述译码位元值与各所述记忆单元欲存储的数据位元值是否相同，若是，输出检验正确信息，若否，输出检验错误信息，接着执行下一步骤(g)；/n(g)启动人工智能类神经网络系统，使用机器学习分析各所述检验错误信息以及从外部接收的参考对数概度比，以输出实作对数概度比；以及/n(h)在各所述变量节点接收到所述检验错误信息时，以基于相对于所述初始对数概度比的所述实作对数概度比的实作译码程序，重新译码所述检验错误信息指示的所述存取位元值，以输出所述译码位元值，接着执行步骤(f)。/n...

【技术特征摘要】
1.一种训练人工智能执行低密度奇偶检查码的译码程序的方法，其特征在于，适用于存储装置，所述存储装置包含多个记忆单元，各所述记忆单元存储一或多个存取位元值，所述训练人工智能执行低密度奇偶检查码的译码程序的方法包含以下步骤：
(a)配置多个检验节点以及多个变量节点；
(b)连接各所述检验节点至所述一或多个变量节点；
(c)输出所述存储装置的所述一或多个记忆单元所存储的所述多个存取位元值分别至所述多个变量节点；
(d)提供多个初始对数概度比分别至所述多个变量节点；
(e)在各所述变量节点以基于所述初始对数概度比的初始译码程序译码接收到的各所述存取位元值，以输出译码位元值至各所述变量节点对应的所述检验节点；
(f)在各所述检验节点执行检验程序以检验各所述译码位元值与各所述记忆单元欲存储的数据位元值是否相同，若是，输出检验正确信息，若否，输出检验错误信息，接着执行下一步骤(g)；
(g)启动人工智能类神经网络系统，使用机器学习分析各所述检验错误信息以及从外部接收的参考对数概度比，以输出实作对数概度比；以及
(h)在各所述变量节点接收到所述检验错误信息时，以基于相对于所述初始对数概度比的所述实作对数概度比的实作译码程序，重新译码所述检验错误信息指示的所述存取位元值，以输出所述译码位元值，接着执行步骤(f)。


2.根据权利要求1所述的训练人工智能执行低密度奇偶检查码的译码程序的方法，其特征在于，所述训练人工智能执行低密度奇偶检查码的译码程序的方法还包含以下步骤：
(i)在各所述检验节点检验各所述译码位元值与各所述记忆单元欲存储的数据位元值是否相同，若是，输出所述检验正确信息至所述变量节点，若否，输出所述检验错误信息至所述变量节点以及所述人工智能类神经网络系统，接着执行下一步骤(j)；以及
(j)利用所述人工智能类神经网络系统使用机器学习分析从所述检验节点接收的所述检验错误信息，以输出所述实作对数概度至所述变量节点。


3.根据权利要求1所述的训练人工智能执行低密度奇偶检查码的译码程序的方法，其特征在于，所述训练人工智能执行低密度奇偶检查码的译码程序的方法还包含以下步骤：
(k)在各所述变量节点以基于所述初始对数概度比的所述初始译码程序译码接收到的各所述存取位元值；
(l)判断在各所述变量节点是否基于所述初始对数概度比成功译码所接收的所述记忆单元所存储的所述存取位元值，若是，输出所述译码位元值至对应的所述检验节点，若否，输出译码失败信息至所述变量节点以及所述人工智能类神经网络系统；
(m)启动所述人工智能类神经网络系统使用机器学习分析各所述译码失败信息以及所述参考对数概度比，以输出对应的所述实作对数概度比至所述检验节点；
(n)在所述检验节点依据所述实作对数概度比以及所述译码失败信息，以输出重新译码指示信息至所述变量节点；以及
(o)在所述变量节点依据来自所述检验节点的所述重新译码指示信息，在所述变量节点以基于所述实作对数概度比的所述实作译码程序译码各所述存取位元值。


4.根据权利要求1所述的训练人工智能执行低密度奇偶检查码的译码程序的方法，其特征在于，所述训练人工智能执行低密度奇偶检查码的译码程序的方法还包含以下步骤：
(p)提供所述多个记忆单元已存储的所述多个存取位元值分别至所述多个检验节点；
(q)从所述变量节点输出执行基于所述初始对数概度比的所述初...

【专利技术属性】
技术研发人员：彭祥恩，吴昇翰，
申请(专利权)人：深圳衡宇芯片科技有限公司，
类型：发明
国别省市：广东;44