预测存储设备的可靠性信息的方法和操作存储设备的方法技术

在操作包括多个非易失性存储器的存储设备的方法中，存储设备的可靠性信息被预测。基于预测可靠性信息的结果对存储设备执行读取操作。在预测存储设备的可靠性信息中，通过基于劣化特性信息和劣化阶段信息选择多个机器学习模型中的一者作为最佳机器学习模型来输出模型请求信号。模型请求信号对应于最佳机器学习模型。多个机器学习模型用于生成与多个非易失性存储器相关的可靠性信息。基于模型请求信号来接收最佳机器学习模型的参数。基于劣化特性信息和参数来生成可靠性信息。特性信息和参数来生成可靠性信息。特性信息和参数来生成可靠性信息。

【技术实现步骤摘要】
预测存储设备的可靠性信息的方法和操作存储设备的方法
[0001]相关申请的交叉引用
[0002]本申请要求于2021年2月5日在韩国知识产权局(KIPIO)提交的韩国专利申请No.10
‑
2021
‑
0016498的优先权，该韩国专利申请的公开内容通过引用整体合并于此。


[0003]本公开总体上涉及半导体集成电路，并且更具体地，涉及预测存储设备的可靠性信息的方法和操作存储设备的方法。

技术介绍

[0004]存储设备可以被分类为包括易失性存储器的易失性存储设备或包括非易失性存储器的非易失性存储设备。该分类可以基于在电力被切断或撤销时存储在存储设备中的数据是否丢失。易失性存储器可以更快地读取和写入，然而，当电力被切断或撤销时，存储在易失性存储器中的数据丢失。相比之下，当电力被切断或撤销时，存储在非易失性存储器中的数据被保持。因此，非易失性存储器可以用于存储稍后在所供应的电力被切断或撤销时可以被获取的持久数据。随着非易失性存储器的广泛应用，使用机器学习模型预测存储设备的可靠性信息的各种方法已经被研究本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种预测包括多个非易失性存储器的存储设备的可靠性信息的方法，所述方法包括：通过选择多个机器学习模型中的一者作为最佳机器学习模型来输出与所述最佳机器学习模型对应的模型请求信号，其中，所述多个机器学习模型中的每一者被配置为生成与所述多个非易失性存储器相关的可靠性信息，并且所述的选择多个机器学习模型中的一者基于劣化特性信息和劣化阶段信息，所述劣化特性信息通过累计与所述多个非易失性存储器相关的劣化信息被获得，所述劣化阶段信息表示所述多个非易失性存储器的劣化程度；基于所述模型请求信号来接收所述最佳机器学习模型的参数；以及基于所述劣化特性信息和所述最佳机器学习模型的参数来生成所述可靠性信息。2.根据权利要求1所述的方法，其中：所述劣化阶段信息将所述多个非易失性存储器的劣化程度表示为多个劣化阶段；以及其中，所述的选择多个机器学习模型中的一者包括：基于所述劣化阶段信息对应于早期劣化阶段，从所述多个机器学习模型当中选择第一机器学习模型作为所述最佳机器学习模型，以及基于所述劣化阶段信息对应于继所述早期劣化阶段之后的中期劣化阶段，从所述多个机器学习模型当中选择不同于所述第一机器学习模型的第二机器学习模型作为所述最佳机器学习模型。3.根据权利要求2所述的方法，其中，所述第一机器学习模型的处理速度高于所述第二机器学习模型的处理速度，并且所述第二机器学习模型的准确度高于所述第一机器学习模型的准确度。4.根据权利要求3所述的方法，其中：所述多个机器学习模型中的每一者存储在多个易失性存储器中的一者中，所述多个易失性存储器包括紧耦合存储器、静态随机存取存储器和动态随机存取存储器，以及所述第一机器学习模型存储在所述紧耦合存储器中，并且所述第二机器学习模型存储在所述静态随机存取存储器和所述动态随机存取存储器中的一者中。5.根据权利要求1所述的方法，其中，所述的输出模型请求信号包括：收集所述劣化特性信息；以及基于所述劣化特性信息来生成所述劣化阶段信息，所述劣化阶段信息将所述多个非易失性存储器的劣化程度表示为多个劣化阶段。6.根据权利要求5所述的方法，其中，所述的收集所述劣化特性信息包括：基于由包括在所述存储设备中的存储控制器发出的命令中的至少一个命令来生成所述劣化特性信息；以及基于所述命令中的至少一个命令来更新所述劣化特性信息。7.根据权利要求6所述的方法，其中，所述劣化特性信息包括所述多个非易失性存储器的编程/擦除周期、读取计数、保持时间、导通单元的数目和错误位的数目中的至少一者。8.根据权利要求7所述的方法，其中，所述命令包括编程命令、读取命令、擦除命令、保持时间生成命令和导通单元计数生成命令。9.根据权利要求8所述的方法，其中，所述的更新所述劣化特性信息包括：基于所述编程命令和所述擦除命令来更新所述编程/擦除周期；以及基于所述读取命令来更新所述读取计数。
10.根据权利要求8所述的方法，其中，所述的更新所述劣化特性信息包括：基于所述编程命令和所述保持时间生成命令来更新所述保持时间；基于所述导通单元计数生成命令来更新所述导通单元的数目；以及基于所述读取命令和所述编程命令中的至少一者来更新所述错误位的数目。11.根据权利要求5所述的方法，其中，所述的生成所述劣化阶段信息包括：获取所述劣化特性信息；获取表示所述劣化特性信息与所述多个劣化阶段之间的关系的查找表；以及基于所述劣化特性信息和所述查找表来生成所述劣化阶段信息。12.根据权利要求5所述的方法，其中，所述的输出模型请求信号包括：根据多个模型评价标准评价所述多个机器学习模型；基于根据所述多个模型评价标准的评价结果，将与所述多个机器学习模型中的每一者关联的多个参数存储在包括在所述存储设备中的多个易失性存储器的不同区域中；以及基于所述劣化阶段信息来选择所述多个机器学习模型中的一者。13.根据权利要求12所述的方法，其中，所述多个机器学习模型基于卷积神经网络、递归神经网络、支持向量机、线性回归、逻辑回归、朴素贝叶斯分类、随机...

【专利技术属性】
技术研发人员：金灿河，金荣恩，卢羌镐，郑楹勋，赵渼贞，
申请(专利权)人：三星电子株式会社，
类型：发明
国别省市：