估计非参数化最佳读取阈值的系统和方法技术方案

本公开涉及一种用于存储器系统的非参数化最佳读取阈值估计的方案。该存储器系统包括具有页面的存储器装置和具有神经网络的控制器。控制器使用读取阈值集对所选择的页面执行读取操作；根据读取操作中的每一个，获得与所选择的页面的解码相关联的读取阈值集、校验和值以及1的计数与0的计数的非对称比率；将所获得的读取阈值集、校验和值和非对称比率作为输入信息提供给神经网络；以及由神经网络基于输入信息和权重来估计最佳读取阈值电压，该权重包括多个矩阵和偏置向量的组合。包括多个矩阵和偏置向量的组合。包括多个矩阵和偏置向量的组合。

【技术实现步骤摘要】
估计非参数化最佳读取阈值的系统和方法


[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成可以随时随地使用的普适计算系统。因此，诸如移动电话、数码相机和笔记本计算机的便携式电子装置的使用已经迅速增加。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]因为存储器装置不具有移动部件，所以使用存储器装置的存储器系统提供优良的稳定性、耐久性、高信息访问速度和低功耗。具有这种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、诸如通用闪存(UFS)的具有各种接口的存储卡以及固态驱动器(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使用深度神经网络估计非参数化最佳读取阈值的系统和方法。
[0005]在本专利技术的一方面，一种存储器系统包括具有多个页面的存储本文档来自技高网...

【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，包括多个页面；以及控制器，包括神经网络，并且：使用包括多个读取阈值电压的读取阈值集，对从所述多个页面之中选择的页面执行一个或多个读取操作；根据所述一个或多个读取操作中的每一个，获得与所选择的页面的解码相关联的所述读取阈值集、校验和值以及1的计数与0的计数的非对称比率；将所获得的所述读取阈值集、所述校验和值和所述非对称比率作为输入信息提供给所述神经网络；以及由所述神经网络基于所述输入信息和所述输入信息的权重来估计最佳读取阈值电压，所述权重包括多个矩阵和偏置向量的组合。2.根据权利要求1所述的存储器系统，其中对所述神经网络进行训练以获得所述权重，使得设定的损失函数被最小化。3.根据权利要求2所述的存储器系统，其中所述设定的损失函数包括可微分损失函数，所述可微分损失函数用于测量所述神经网络的输出与所述最佳读取阈值电压之间的相应误差。4.根据权利要求1所述的存储器系统，其中所述控制器基于所述输入信息、所述多个矩阵、所述偏置向量和激活函数的组合来估计所述最佳读取阈值电压。5.根据权利要求4所述的存储器系统，其中所述控制器基于下面的等式来估计所述最佳读取阈值电压：OptVt＝A
DNN,N
×
R(A
DNN,N
‑1×
R(A
DNN,N
‑2×
R(
…
R(A
DNN,0
×
[Vt,CS,AR]+b
DNN,0
)
…
)+b
DNN,N
‑2)+b
DNN,N
‑1)+b
DNN,N
，其中OptVt表示所述最佳读取阈值电压，Vt表示所述读取阈值集，CS表示所述校验和值，AR表示所述1的计数与所述0的计数的所述非对称比率，A
DNN,N
表示第N+1矩阵，b
DNN,N
表示第N+1偏置向量，并且R表示所述激活函数。6.根据权利要求5所述的存储器系统，其中所述1的计数与所述0的计数的所述非对称比率包括所述1的计数除以所述0的计数的比率。7.根据权利要求4所述的存储器系统，其中所述激活函数包括整流线性单元激活函数即ReLU激活函数。8.根据权利要求1所述的存储器系统，其中所选择的页面包括三层单元即TLC的最低有效位页面即LSB页面。9.根据权利要求8所述的存储器系统，其中所述读取阈值集包括：a)用于区分擦除状态与第一编程状态的第一读取阈值电压，以及b)用于区分第二编程状态与第三编程状态的第二读取阈值电压。10.一种操作存...

【专利技术属性】
技术研发人员：张帆，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：