电子装置及其操作方法制造方法及图纸

本技术包括一种使用人工神经网络的电子装置以及操作该电子装置的方法。根据本技术的电子装置包括：解码控制器，将基于读取向量和奇偶校验矩阵而生成的初级校正子向量输入到经训练的人工神经网络，并且基于与输入相对应的经训练的人工神经网络的输出来选择第一错误校正解码算法和第二错误校正解码算法中的任意一个；以及错误校正解码器，使用所选择的错误校正解码算法对读取向量执行错误校正解码。经训练的人工神经网络的输出包括指示使用第一错误校正解码算法的第一错误校正解码成功的概率的第一预测值。功的概率的第一预测值。功的概率的第一预测值。

【技术实现步骤摘要】
电子装置及其操作方法
[0001]相关申请的交叉引用
[0002]本专利文件要求于2020年1月8日提交的申请号为10-2020-0002705的韩国专利申请的优先权和权益，该韩国专利申请通过引用整体并入本文。


[0003]本公开技术涉及一种电子装置及其操作方法，且更特别地，涉及一种使用人工神经网络的电子装置及其操作方法。

技术介绍

[0004]电子装置可包括临时或永久存储数据的存储介质。在诸如写入、读取、传输或处理的各种操作期间，可能会发生数据错误或数据损坏。
[0005]为了确保数据的可靠性，电子装置可使用诸如错误校正编码和错误校正解码的错误校正技术。

技术实现思路

[0006]所公开技术的实施例提供一种使用人工神经网络的电子装置以及操作该电子装置的方法，以执行有效的错误校正解码。
[0007]所公开技术的实施例提供一种电子装置和操作该电子装置的方法，能够使用错误校正解码的结果对人工神经网络进行再训练。
[0008]根据所公开技术的实施例的一种电子装置，包括：解码控制器，将基于读取向量和奇偶校验矩阵生成的初级校正子向量输入到经训练的人工神经网络，并且基于与输入相对应的经训练的人工神经网络的输出来选择第一错误校正解码算法和第二错误校正解码算法中的任意一个；以及错误校正解码器，使用所选择的错误校正解码算法对读取向量执行错误校正解码。经训练的人工神经网络的输出包括指示使用第一错误校正解码算法的第一错误校正解码成功的概率的第一预测值。
[0009]根据所公开技术的实施例的一种操作电子装置的方法，包括：基于读取向量和奇偶校验矩阵生成初级校正子向量，将所生成的初级校正子向量输入到经训练的人工神经网络，基于与输入相对应的经训练的人工神经网络的输出，选择为第一错误校正解码算法或第二错误校正解码算法的错误校正解码算法，并且使用所选择的错误校正解码算法对读取向量执行错误校正解码。经训练的人工神经网络的输出包括指示使用第一错误校正解码算法的第一错误校正解码成功的概率的第一预测值。
[0010]根据本技术，因为可有效地执行错误校正解码算法的选择，所以可提高电子装置的吞吐量并减少功耗。
附图说明
[0011]图1是用于描述人工神经网络的示例图。
[0012]图2是用于描述根据所公开技术的实施例的电子装置的示例图。
[0013]图3和图4是用于描述训练人工神经网络的示例的示例图。
[0014]图5是用于描述根据所公开技术的实施例的错误校正电路的示例图。
[0015]图6是用于描述根据所公开技术的实施例的操作电子装置的方法的流程图。
[0016]图7是用于描述根据所公开技术的实施例的对经训练的人工神经网络进行再训练的方法的示例图。
[0017]图8是用于描述根据所公开技术的实施例的对经训练的人工神经网络进行再训练的方法的示例图。
[0018]图9是用于描述奇偶校验矩阵的示例图。
[0019]图10是用Tanner图示出图9所示的奇偶校验矩阵的示图。
[0020]图11是用于描述使用图9所示的奇偶校验矩阵计算出的校正子向量的示例图。
[0021]图12是用于描述在硬判决解码期间使用一个读取值来生成初始LLR值的过程的示例图。
[0022]图13是用于描述根据所公开技术的实施例的存储器系统的示例图。
[0023]图14是用于描述根据实施例的存储器装置的示图。
[0024]图15是用于描述存储块的示例图。
[0025]图16是用于描述图13所示的包括存储器控制器的存储器系统的另一示例的示图。
[0026]图17是用于描述图13所示的包括存储器控制器的存储器系统的另一示例的示图。
具体实施方式
[0027]图1是用于描述人工神经网络的示例图。
[0028]人工神经网络可包括输入层、至少一个隐藏层以及输出层。输入层、隐藏层和输出层中的每一个可包括实现人工神经元或神经元的多个信号处理元件或节点。存在于输入层中的神经元可被称为输入神经元，存在于一个或多个隐藏层中的神经元可被称为隐藏神经元，而存在于输出层中的神经元可被称为输出神经元。特定信号处理元件或节点经由作为人工突触的连接结合处(junction)连接起来。连接两个节点或神经元(例如，在不同相邻层中的两个节点)的每个连接结合处可被构造成接收和处理来自第一信号处理元件或神经元的信号，以生成由第二信号处理元件或神经元接收的结合处信号。如图1所示，连接结合处或突触提供诸如相邻层的不同层中的信号处理元件或神经元之间的连接，诸如输入层的神经元和第一隐藏层的神经元、不同隐藏层的神经元和最末隐藏层的神经元和输出层的神经元之间的连接。如图1所示，层上的一个神经元可通过突触连接到另一相邻层中的不同神经元，并且在各种实施方案中，一个神经元的输出可通过突触不同地加权到相邻层中的其他神经元。
[0029]人工神经网络可根据监督学习方法或非监督学习方法来进行训练。
[0030]当在训练期间使用监督学习方法时，可将标记的训练数据输入到人工神经网络。例如，可将标记为成功类的训练数据和标记为失败类的训练数据输入到人工神经网络。
[0031]在执行训练的同时，可对人工神经网络执行至少一次前向传播和至少一次反向传播。
[0032]例如，在前向传播期间，每个神经元可根据激活函数来计算输出值a
out
。例如，可根
据等式1来计算输出值a
out
。
[0033][等式1][0034][0035]其中，g(z)表示神经元的激活函数，b表示神经元的偏置值，w
b
表示神经元的偏置权重值，a
i
表示从前一层中包括的神经元之中的第i个(i是自然数)接收的输出值，w
i
表示与前一层中包括的神经元之中的第i神经元连接的突触的权重值。根据实施例，在计算输出值a
out
时，可不使用偏置值b和偏置权重值w
b
。
[0036]当正向传播执行到输出神经元时，可执行反向传播以减少预测向量(由输出神经元计算出的输出值)与目标向量之间的误差值。在反向传播期间，可更新模型参数，例如每个神经元的偏置权重值w
b
以及突触的权重值w1、w2、...、w
n
。例如，在反向传播期间，可根据代价函数在最小化损失的方向上找到模型参数的最合适的组合。
[0037]图2是用于描述根据所公开技术的实施例的电子装置的示例图。
[0038]电子装置30是使用电子电路以电子形式来计算或处理信息的装置。例如，电子装置30可包括计算机、存储器控制器、错误校正电路或错误校正解码器。根据实施例，电子装置30可包括在存储器控制器、错误校正电路或错误校正解码器中。
[0039]电子装置30可包括人工神经网络训练组件300。
[0040]人工神经网络训练组件300可包括训练本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种电子装置，包括：解码控制器，将基于读取向量和奇偶校验矩阵而生成的初级校正子向量输入到经训练的人工神经网络，并且基于与输入相对应的所述经训练的人工神经网络的输出来选择第一错误校正解码算法和第二错误校正解码算法中的一个；以及错误校正解码器，使用所选择的错误校正解码算法对所述读取向量执行错误校正解码，其中所述经训练的人工神经网络的输出包括第一预测值，所述第一预测值指示使用所述第一错误校正解码算法的第一错误校正解码成功的概率。2.根据权利要求1所述的电子装置，其中所述第一错误校正解码算法是位翻转算法，并且所述第二错误校正解码算法是最小和算法或和积算法。3.根据权利要求1所述的电子装置，其中所述第一预测值是应用逻辑回归的概率值。4.根据权利要求1所述的电子装置，其中所述解码控制器在所述第一预测值等于或大于第一参考值的情况下，选择所述第一错误校正解码算法，并且在所述第一预测值小于所述第一参考值的情况下，选择所述第二错误校正解码算法。5.根据权利要求4所述的电子装置，其中所述经训练的人工神经网络的输出进一步包括指示所述第一错误校正解码失败的概率的第二预测值，并且所述第一参考值是所述第二预测值。6.根据权利要求4所述的电子装置，其中所述解码控制器进一步基于所述经训练的人工神经网络的输出，在低功率模式和高功率模式之间选择待应用到所选择的错误校正解码算法的功率模式，并且所述错误校正解码器通过将所选择的功率模式应用到所选择的错误校正解码算法来执行所述错误校正解码。7.根据权利要求6所述的电子装置，其中所述解码控制器：当所述第一预测值等于或大于所述第一参考值且小于第二参考值时，选择所述高功率模式，并且当所述第一预测值等于或大于所述第二参考值时选择所述低功率模式，所述第二参考值大于所述第一参考值。8.根据权利要求6所述的电子装置，其中所述解码控制器选择所述高功率模式，在所述高功率模式期间使用每个变量节点的不可靠性值。9.根据权利要求6所述的电子装置，其中所述解码控制器选择所述高功率模式，所述高功率模式与所述低功率模式相比具有更高的位精度。10.根据权利要求4所述的电子装置，其中所述错误校正解码器在使用所选择的所述第一错误校正解码算法的所述第一错误校正解码失败的情况下，使用所述第二错误校正解码算法来执行第二错误校正解码。11.根据权利要求4所述的电子装置，进一步包括：训练组件，当使用所选择的所述第一错误校正解码算法的所述...

【专利技术属性】
技术研发人员：金大成，姜淳荣，金壮燮，
申请(专利权)人：爱思开海力士有限公司，
类型：发明
国别省市：