【技术实现步骤摘要】
使用深度神经网络在存储器装置中读取阈值预测
[0001]本专利文件总体上涉及一种非易失性存储器装置,并且更具体地,涉及一种非易失性存储器装置中的深度神经网络。
技术介绍
[0002]数据完整性是任何数据存储装置和数据传输的重要特征。在固态存储器存储(例如,NAND闪存)装置中,信息通过单元中的不同电荷电平存储在单元中。在写入和读取过程期间,由编程干扰和单元间干扰电荷泄漏引入噪声,导致电压电平随时间下降,其中下降与所存储的电荷量以及单元经历的编程和擦除(P/E)循环数成正比。在确定读取电压阈值时考虑电压降,可以增加存储器装置的使用寿命。
技术实现思路
[0003]所公开技术的实施例涉及一种提高存储器装置的块的性能的方法、系统和装置。在示例中,通过使用一组第一深度神经网络(DNN)以及第二DNN提高存储器装置的性能,一组第一深度神经网络中的每一个被配置为估计不同编程电压(PV)分布的参数,第二DNN被配置为整合来自一组第一DNN中的每一个的估计参数集并输出考虑存储器单元劣化的最佳读取电压阈值,从而能够在整个使用寿命内从各种类型的存储器装置中可靠地检索信息。
[0004]在一个示例中,描述了一种用于提高存储器装置的性能的方法。该方法包括:获得与存储器装置的多个单元电压分布中的每一个的概率分布相对应的多个样本,其中多个单元电压分布中的每一个与读取电压相对应;基于针对多个单元电压分布获得的样本,确定多个第一深度神经网络(DNN)的数量;针对多个第一DNN中的每一个,基于多个样本估计相应概率分布的一个或多 ...
【技术保护点】
【技术特征摘要】
1.一种提高存储器装置的性能的方法,包括:获得与所述存储器装置的多个单元电压分布中的每一个的概率分布相对应的多个样本,其中所述多个单元电压分布中的每一个与读取电压相对应;基于针对所述多个单元电压分布获得的所述多个样本,确定多个第一深度神经网络即多个第一DNN的数量;针对所述多个第一DNN中的每一个,基于所述多个样本估计相应概率分布的一个或多个参数;基于所述多个样本和相应的一个或多个参数训练所述多个第一DNN中的每一个;并且基于所述多个样本和来自所述多个第一DNN中的每一个的一个或多个参数训练第二DNN,以使得能够生成更新后的读取电压值以从所述存储器装置检索信息。2.根据权利要求1所述的方法,其中确定所述多个第一DNN的数量包括:针对每对概率分布,执行相应的多个样本之间的比较,以生成指示所述每对概率分布之间距离的度量;并且基于所述度量,确定所述多个第一DNN的数量。3.根据权利要求2所述的方法,其中所述度量基于费希尔信息度量。4.根据权利要求2所述的方法,其中所述度量基于Kullback
‑
Leibler散度或Jensen
‑
Shannon散度。5.根据权利要求1所述的方法,其中估计所述概率分布的所述一个或多个参数包括:测量所述一个或多个参数的实际值与所述一个或多个参数的预测值之间的误差。6.根据权利要求5所述的方法,其中所述误差是均方误差。7.根据权利要求5所述的方法,进一步包括:基于相应的误差使用随机梯度下降算法来确定相应的第一DNN的一个或多个权重。8.一种用于提高存储器装置的性能的方法,包括:获得与多个概率分布相对应的样本,其中所述多个概率分布中的每一个与所述存储器装置的多个单元电压分布中的每一个相关联,并且所述多个单元电压分布中的每一个与读取电压相对应;针对与相应的概率分布相关联的多个第一深度神经网络即多个第一DNN中的每一个,基于所述样本估计所述相应的概率分布的一个或多个参数,所述多个第一DNN中的每一个已经通过使用从所述相应的概率分布获得的样本被训练;基于第二DNN的输出确定更新后的读取电压,所述第二DNN的输入包括来自所述多个第一DNN中的每一个的一个或多个参数,并且所述第二DNN已经通过使用所述样本和来自所述多个第一DNN中的每一个的所述一个或多个参数被训练;并且将所述更新后的读取电压施加到所述存储器装置,以从所述存储器装置检索信息。9.根据权利要求8所述的方法,其中所述样本对应于与所述多个单元电压分布相关联的累积分布函数。10.根据权利要求8所述的方法,其中所述概率分布为偏斜正态分布。11.根据权利要求8所述的方法,其中所述偏斜正态分布的概率密度函数f(x)由下式给出:
其中Θ=(ξ,ω,α)与所述一个或多个参数相对应,并且并且12.根据权利要求8所述的方法,其中所述概率分布为高斯分布。13.根据权利要求8所述的方法,其中所述存储器装置是三层单元NA...
【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:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。