基于动态神经网络的闪存可靠性等级在线预测方法和装置制造方法及图纸

本发明专利技术公开了一种基于动态神经网络的闪存可靠性等级在线预测方法、装置、存储介质及计算机设备。其中方法包括：对待预测闪存芯片进行闪存操作，并在闪存操作过程中采集待预测闪存芯片的至少一种特征量；对待预测闪存芯片的至少一种特征量进行运算操作，得到待预测闪存芯片的特征运算值，依据待预测闪存芯片的特征量和待预测闪存芯片的特征运算值，建构待预测闪存芯片的数据集合；将待预测闪存芯片的数据集合中的第一子集作为动态神经网络的输入，运行动态神经网络，得到第一闪存可靠性等级预测模型，并通过第一闪存可靠性等级预测模型得到初始可靠性等级预测结果；根据初始可靠性等级预测结果和待预测闪存芯片的实际可靠性等级测试结果，优化第一闪存可靠性等级预测模型的模型参数，得到第二闪存可靠性等级预测模型；将待预测闪存芯片数据集合中的第二子集输入到第二闪存可靠性等级预测模型中，得到待预测闪存芯片的可靠性等级的预测结果。上述方法可以提高闪存芯片可靠性等级的预测准确度和灵活度。灵活度。灵活度。

【技术实现步骤摘要】
基于动态神经网络的闪存可靠性等级在线预测方法和装置


[0001]本专利技术涉及存储器
，尤其是涉及一种基于动态神经网络的闪存可靠性等级在线预测方法、装置、存储介质及计算机设备。

技术介绍

[0002]随着科学技术的高速发展，数据存储的需求也在爆炸式增长。闪存经过数十年的技术更新，存储容量不断扩大，单位比特价格大幅减小，同时凭借着其超大的存储容量、更快的读写性能、更好的防磁抗震能力逐渐取代了磁质介质成为主流的非易失性存储器，在民用，工业，军工等各领域中均发挥着越来越重要的作用。
[0003]另一方面，在闪存容量和集成度不断提高的同时，闪存的可靠性问题也日渐突出。闪存的信息存储是通过编程和擦除操作实现的，但重复的P
‑
E(编程
‑
擦除)操作会使得闪存的半导体器件的氧化层变薄以及使得阈值电压有所偏移，最终导致闪存器件损坏，造成数据丢失。基于此，如何准确预测闪存芯片的可靠性，以及将闪存芯片的可靠性预测方法灵活的运用在各种型号不同的闪存芯片上已成为闪存持续发展亟待解决的重要难题。

技术实现思路

[0004]有鉴于此，本申请提供了一种基于动态神经网络的闪存可靠性等级在线预测方法、装置、存储介质及计算机设备，主要目的在于解决现有技术中无法准确预测闪存芯片的可靠性等级以及无法对闪存芯片可靠性预测方法进行灵活应用的技术问题。
[0005]根据本专利技术的第一个方面，提供了一种基于动态神经网络的闪存可靠性等级在线预测方法，该方法包括：
[0006]对待预测闪存芯片进行闪存操作，并在闪存操作过程中采集待预测闪存芯片的至少一种特征量；
[0007]对待预测闪存芯片的至少一种特征量进行运算操作，得到待预测闪存芯片的特征运算值，依据待预测闪存芯片的特征量和待预测闪存芯片的特征运算值，建构待预测闪存芯片的数据集合；
[0008]将待预测闪存芯片的数据集合中的第一子集作为动态神经网络的输入，运行动态神经网络，得到第一闪存可靠性等级预测模型，并通过第一闪存可靠性等级预测模型得到初始可靠性等级预测结果；
[0009]根据初始可靠性等级预测结果和待预测闪存芯片的实际可靠性等级测试结果，优化第一闪存可靠性等级预测模型的模型参数，得到第二闪存可靠性等级预测模型；
[0010]将待预测闪存芯片数据集合中的第二子集输入到第二闪存可靠性等级预测模型中，得到待预测闪存芯片的可靠性等级的预测结果。
[0011]可选的，待预测闪存芯片的特征量包括以下特征量中的一种或多种：闪存芯片各闪存操作的时间、各闪存操作时的电流、芯片功耗、阈值电压分布及电压变化量、闪存块编号、闪存页编号、当前编程
‑
擦除周期数、闪存块中条件错误页数、条件错误块数、原始错误
比特数和原始错误比特率。
[0012]可选的，对待预测闪存芯片进行闪存操作，并在闪存操作过程中采集待预测闪存芯片的至少一种特征量，包括：通过闪存测试装置记录待预测闪存芯片的当前编程
‑
擦除周期数；对待预测闪存芯片执行擦除操作和编辑操作，并通过闪存测试装置采集待预测闪存芯片执行编辑操作时的电流、功耗，以及待预测闪存芯片各个页面的编程时间和编程时间对应的存储块号和存储页号；对待预测闪存芯片执行读取操作，并通过闪存测试装置采集待预测闪存芯片执行读取操作时的阈值电压分布、电流、功耗以及待预测闪存芯片各个页面的读取时间；将读取操作时读取的数据与编辑操作时写入的数据进行比较，得到待预测闪存芯片的条件错误页数、条件错误块数、原始错误比特数和原始错误比特率。
[0013]可选的，待预测闪存芯片的特征量的运算操作方法包括以下运算操作方法中的一种或多种：特征量的线性运算、特征量的非线性运算、不同特征量间的线性运算、不同特征量间的非线性运算、计算不同存储页面特征量的最大值、计算不同存储页面特征量的最小值、不同存储页面特征量之间的线性运算、不同存储页面特征量之间的非线性运算、不同存储块特征量之间的线性运算、不同存储块特征量之间的非线性运算、计算不同存储块特征量的最大值和计算不同存储块特征量的最小值。
[0014]可选的，将待预测闪存芯片的数据集合中的第一子集作为动态神经网络的输入，运行动态神经网络，得到第一闪存可靠性等级预测模型，包括：初始化动态神经网络，并设置动态神经网络的各个神经元的连接权值和阈值；将待预测闪存芯片的数据集合中的第一子集划分为多个互斥子集，其中，多个互斥子集中包含训练子集和验证子集；分别多次将训练子集输入到动态神经网络中，计算得到误差损失函数，并得到动态神经网络的各个神经元的连接权值和阈值；将验证子集输入到动态神经网络中，得到训练误差值和测试误差值；当训练误差值和测试误差值均小于预设误差阈值时，输出第一闪存可靠性等级预测模型。
[0015]可选的，初始可靠性等级预测结果中包括T
m
次编程
‑
擦除操作后待预测闪存芯片的预测可靠性等级，其中，T
m
定义为编程
‑
擦除操作周期数；则根据初始可靠性等级预测结果和待预测闪存芯片的实际可靠性等级测试结果，优化第一闪存可靠性等级预测模型的模型参数，得到第二闪存可靠性等级预测模型，包括：对待预测闪存芯片进行T
m
次编程
‑
擦除操作，并采集T
m
次编程
‑
擦除操作后待预测闪存芯片的实际可靠性等级；将T
m
次编程
‑
擦除操作后待预测闪存芯片的实际可靠性等级与T
m
次编程
‑
擦除操作后待预测闪存芯片的预测可靠性等级进行比较；若T
m
次编程
‑
擦除操作后待预测闪存芯片的实际可靠性等级与T
m
次编程
‑
擦除操作后待预测闪存芯片的预测可靠性等级不一致，则根据T
m
次编程
‑
擦除操作过程中采集到的特征量和特征量的特征运算值对第一闪存可靠性等级预测模型进行参数调整，得到第二闪存可靠性等级预测模型。
[0016]可选的，编程
‑
擦除操作周期数T
m
为单一预设定值或多个预设定值的组合，其中，当T
m
为多个预设定值的组合时，初始可靠性等级预测结果中包括多个与预设定值一一对应的T
m
次编程
‑
擦除操作后待预测闪存芯片的预测可靠性等级。
[0017]可选的，待预测闪存芯片的可靠性等级的预测结果中包括以下结果中的一种或多种：待预测闪存芯片的当前错误比特数量等级、待预测闪存芯片的当前错误比特率等级、T
m
次编程
‑
擦除操作后待预测闪存芯片的错误比特数量等级、T
m
次编程
‑
擦除操作后待预测闪存芯片的错误比特率等级和待预测闪存芯片的剩余编程
‑
擦除周期数量等级。...

【技术保护点】

【技术特征摘要】
1.一种基于动态神经网络的闪存可靠性等级在线预测方法，其特征在于，所述方法包括：对待预测闪存芯片进行闪存操作，并在闪存操作过程中采集所述待预测闪存芯片的至少一种特征量；对所述待预测闪存芯片的至少一种特征量进行运算操作，得到所述待预测闪存芯片的特征运算值，依据所述待预测闪存芯片的特征量和所述待预测闪存芯片的特征运算值，建构待预测闪存芯片的数据集合；将所述待预测闪存芯片的数据集合中的第一子集作为动态神经网络的输入，运行所述动态神经网络，得到第一闪存可靠性等级预测模型，并通过所述第一闪存可靠性等级预测模型得到初始可靠性等级预测结果；根据所述初始可靠性等级预测结果和待预测闪存芯片的实际可靠性等级测试结果，优化所述第一闪存可靠性等级预测模型的模型参数的模型参数，得到第二闪存可靠性等级预测模型；将所述待预测闪存芯片数据集合中的第二子集输入到所述第二闪存可靠性等级预测模型中，得到所述待预测闪存芯片的可靠性等级的预测结果。2.根据权利要求1所述的方法，其特征在于，所述待预测闪存芯片的特征量包括以下特征量中的一种或多种：闪存芯片各闪存操作的时间、各闪存操作时的电流、芯片功耗、阈值电压分布及电压变化量、闪存块编号、闪存页编号、当前编程
‑
擦除周期数、闪存块中条件错误页数、条件错误块数、原始错误比特数和原始错误比特率。3.根据权利要求1或2所述的方法，其特征在于，所述对待预测闪存芯片进行闪存操作，并在闪存操作过程中采集所述待预测闪存芯片的至少一种特征量，包括：通过闪存测试装置记录所述待预测闪存芯片的当前编程
‑
擦除周期数；对所述待预测闪存芯片执行擦除操作和编辑操作，并通过所述闪存测试装置采集所述待预测闪存芯片执行编辑操作时的电流、功耗，以及所述待预测闪存芯片各个页面的编程时间和所述编程时间对应的存储块号和存储页号；对所述待预测闪存芯片执行读取操作，并通过闪存测试装置采集所述待预测闪存芯片执行读取操作时的阈值电压分布、电流、功耗以及所述待预测闪存芯片各个页面的读取时间；将所述读取操作时读取的数据与所述编辑操作时写入的数据进行比较，得到所述待预测闪存芯片的条件错误页数、条件错误块数、原始错误比特数和原始错误比特率。4.根据权利要求1所述的方法，其特征在于，所述待预测闪存芯片的特征量的运算操作方法包括以下运算操作方法中的一种或多种：特征量的线性运算、特征量的非线性运算、不同特征量间的线性运算、不同特征量间的非线性运算、计算不同存储页面特征量的最大值、计算不同存储页面特征量的最小值、不同存储页面特征量之间的线性运算、不同存储页面特征量之间的非线性运算、不同存储块特征量之间的线性运算、不同存储块特征量之间的非线性运算、计算不同存储块特征量的最大值和计算不同存储块特征量的最小值。5.根据权利要求1所述的方法，其特征在于，所述将待预测闪存芯片的数据集合中的第
一子集作为动态神经网络的输入，运行所述动态神经网络，得到第一闪存可靠性等级预测模型，包括：初始化所述动态神经网络，并设置所述动态神经网络的各个神经元的连接权值和阈值；将所述待预测闪存芯片的数据集合中的第一子集划分为多个互斥子集，其中，所述多个互斥子集中包含训练子集和验证子集；分别多次将所述训练子集输入到所述动态神经网络中，计算得到误差损失函数，并得到所述动态神经网络的各个神经元的连接权值和阈值；将所述验证子集输入到所述动态神经网络中，得到训练误差值和测试误差值；当所述训练误差值和所述测试误差值均小于预设误差阈值时，输出所述第一闪存可靠性等级预测模...

【专利技术属性】
技术研发人员：齐明阳，潘玉茜，张浩明，刘政林，
申请(专利权)人：置富科技深圳股份有限公司，
类型：发明
国别省市：