非模态读取阈值电压估计的系统和方法技术方案

实施例提供一种处理减少的使用深度神经网络(DNN)来估计最佳读取阈值电压的方案。控制器包括组合神经网络，组合神经网络接收第一累积分布函数(CDF)值和第二累积分布函数(CDF)值，每个CDF值对应于与对单元的读取操作相关联的编程电压(PV)电平。组合神经网络基于第一CDF值和第二CDF值以及第一权重值生成第一连接向量和第二连接向量，并且基于第一连接向量和第二连接向量以及第二权重值估计最佳读取阈值电压。读取阈值电压。读取阈值电压。

【技术实现步骤摘要】
非模态读取阈值电压估计的系统和方法


[0001]本公开的实施例涉及一种用于确定存储器系统中的最佳读取阈 值电压的方案。

技术介绍

[0002]计算机环境范例已经转变为可以随时随地使用的普适计算系统。 因此，诸如移动电话、数码相机和笔记本电脑的便携式电子装置的使 用已迅速增加。这些便携式电子装置通常使用具有存储器装置，即数 据存储装置的存储器系统。数据存储装置用作便携式电子装置的主存 储器装置或辅助存储器装置。
[0003]使用存储器装置的存储器系统由于没有移动部件，因此具有优异 的稳定性、耐用性、高信息访问速度和低功耗。具有这些优点的存储 器系统的示例包括通用串行总线(USB)存储器装置、具有诸如通用 闪存(UFS)的各种接口的存储卡和固态驱动器(SSD)。存储器系统 可以根据各种方案来确定读取阈值电压之中的最佳读取阈值电压。

技术实现思路

[0004]本专利技术的各方面包括一种用于无模态地估计最佳读取阈值电压 的系统和方法。
[0005]在本专利技术的一方面，一种存储器系统包括包含多个单元的存储器 装置和包含组本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种存储器系统，包括：存储器装置，包括多个单元；以及控制器，包括组合神经网络，所述组合神经网络：接收第一累积分布函数值即第一CDF值和第二累积分布函数值即第二CDF值，每个CDF值对应于与对所述单元的读取操作相关联的编程电压电平即PV电平；基于所述第一CDF值和所述第二CDF值以及第一权重值，生成第一连接向量和第二连接向量；并且基于所述第一连接向量和所述第二连接向量以及第二权重值，估计最佳读取阈值电压。2.根据权利要求1所述的存储器系统，其中所述控制器进一步使用所述最佳读取阈值电压对所述单元执行下一次读取操作。3.根据权利要求1所述的存储器系统，其中所述组合神经网络包括：第一神经网络，接收所述第一CDF值并且基于所述第一CDF值和所述第一权重值生成所述第一连接向量；第二神经网络，接收所述第二CDF值并且基于所述第二CDF值和所述第一权重值生成所述第二连接向量；第三神经网络，接收所述第一连接向量和所述第二连接向量并且基于所述第一连接向量和所述第二连接向量以及所述第二权重值生成所述最佳读取阈值电压。4.根据权利要求3所述的存储器系统，其中所述组合神经网络基于包括CDF值、与所述CDF值相对应的采样电压以及所述最佳读取阈值电压的设定数据集进行训练。5.根据权利要求4所述的存储器系统，其中所述组合神经网络测量所述组合神经网络的输出与所述最佳读取阈值电压之间的误差以确定设定的损失函数。6.根据权利要求5所述的存储器系统，其中所述第一权重值和所述第二权重值通过随机梯度下降算法获得，使得所述损失函数最小化。7.根据权利要求5所述的存储器系统，其中每个权重值包括多个矩阵和偏差向量。8.根据权利要求7所述的存储器系统，其中所述第一神经网络基于所述第一CDF值、所述第一权重值和设定的激活函数，生成所述第一连接向量；所述第二神经网络基于所述第二CDF值、所述第一权重值和所述激活函数，生成所述第二连接向量；并且所述第三神经网络基于所述第一连接向量和所述第二连接向量、所述第二权重值和所述激活函数，生成所述最佳读取阈值电压。9.根据权利要求5所述的存储器系统，其中所述误差包括所述组合神经网络的输出与所述最佳读取阈值电压之间的均方误差。10.一种操作存储器系统的方法，所述存储器系统包括包含多个单元的存储器...

【专利技术属性】
技术研发人员：王浩博，哈曼，
申请(专利权)人：爱思开海力士有限公司，
类型：发明
国别省市：