用于读取闪存存储器设备的方法和装置制造方法及图纸

一种用于读取闪存存储器设备的方法包括存储可靠性状态分类神经网络(CNN)模型的配置文件和回归神经网络(RNN)推理模型的配置文件，以及存储对应于可靠性状态的可靠性状态标签。识别当前P/E循环次数，并且选择对应于该当前P/E循环次数的可靠性状态CNN模型。执行所选择的可靠性状态CNN模型的神经网络操作以识别预测的可靠性状态。识别对应的可靠性状态标签，并且选择对应的RNN推理模型。使用该可靠性状态标签作为输入，执行所选择的RNN推理模型的神经网络操作，以生成指示阈值电压偏移读取误差(TVS

【技术实现步骤摘要】
【国外来华专利技术】用于读取闪存存储器设备的方法和装置
[0001]相关申请的交叉引用
[0002]本申请要求于2021年2月25日提交的美国临时专利申请序列号63/153,906以及于2021年4月20日提交的美国非临时专利申请序列号17/234,993的优先权，这些专利申请中的每个专利申请的内容全文以引用方式并入本文。

技术介绍

[0003]一些固态驱动器(SSD)包括闪存控制器，该闪存控制器使用阈值电压偏移读取来读取闪存存储器设备，以获得客户端和企业SSD所需的低水平的不可校正比特误码率(UBER)。通过向要读取的闪存存储器设备发送阈值电压偏移读取指令来执行阈值电压偏移读取。一个或多个阈值电压偏移补偿(TVSO)值与阈值电压偏移读取指令一同发送。TVSO值指示用于执行读取的每个阈值电压与由闪存存储器设备的制造商指定的对应默认阈值电压的补偿的量。多层单元(MLC)闪存存储器设备在每个单元中存储两个信息比特并且针对每次读取需要三个TVSO值；三层单元(TLC)闪存存储器设备在每个单元中存储三个信息比特并且针对每次读取需要七个TVSO值；四层单元(QLC)闪存存储器设备在每个单元中存储四个信息比特并且针对每次读取需要15个TVSO值；并且五层单元(PLC)闪存存储器设备在每个单元中存储五个信息比特并且针对每次读取需要31个TVSO值。
[0004]执行闪存表征测试过程以识别用于执行特定闪存存储器设备的读取的最佳TVSO值，通常称为阈值电压偏移补偿最小(TVSOmin)值。TVSOmin值通常为当在对应于特定可靠性状态的测试条件下读取闪存存储器设备时产生最少误差的TVSO值集。可靠性状态是指示各个闪存存储器设备的使用年限和使用情况的条件集。存在用于确定TVSOmin值的许多不同的过程，并且在许多情况下，在闪存表征测试期间识别的TVSOmin值集并非产生最少误差的实际TVSO值，而是满足一个或多个性能度量(诸如例如，特定的原始误码率(RBER))的TVSO值集。
[0005]使用阈值电压偏移读取指令来执行读取的闪存控制器通常包括用于监测闪存存储器设备的物理特性的固件，并且使用所监测的物理特性来确定用于执行每个闪存存储器设备的读取的TVSO值。将用于执行读取的TVSO值(在下文中称为“TVSO读取
‑
当前”值或TVSO
‑
RC值)通常是在每次读取之前由闪存控制器基于要读取的物理位置(例如，块/页面)以及如由闪存控制器测量的要读取的闪存存储器设备的当前物理特性通过以下操作来确定的：使用要读取的物理位置和闪存存储器设备的当前物理特性(例如，编程/擦除循环次数、保持时间、读取干扰数量和温度)在查找表中执行查找操作。TVSO
‑
RC值通常为在闪存表征测试中识别的TVSOmin值集中的一个TVSOmin值集。
[0006]即使在断电状态期间，也必须维持当前物理特性，以确保正使用正确的TVSO值来读取每个闪存存储器设备。此外，需要复式表来指示用于执行读取的各种物理特性和对应的TVSO
‑
RC值。这些复式表也占用大量存储空间。
[0007]因此，需要标识在闪存存储器设备的每次读取中要使用的TVSO值，以便在SSD的寿命期间将UBER维持在可接受的水平内，从而减少物理特性所需的存储和维护量。

技术实现思路

[0008]一种用于读取闪存存储器设备的方法包括存储多个可靠性状态分类神经网络(CNN)模型的配置文件、多个回归神经网络(RNN)推理模型的配置文件以及多个可靠性状态标签集。每个可靠性状态标签集与多个可靠性状态中的一个可靠性状态相关联，并且该可靠性状态CNN模型中的每个可靠性状态CNN模型与编程/擦除(P/E)循环范围相关联。监测该闪存存储器设备的操作以识别该闪存存储器设备的当前编程/擦除(P/E)循环次数。选择与对应于该当前P/E循环次数的P/E循环范围相关联的可靠性状态CNN模型中的一个可靠性状态CNN模型，并且执行所选择的可靠性状态CNN模型的神经网络操作以识别预测的可靠性状态。识别与该预测的可靠性状态相关联的可靠性状态标签集。选择对应于该预测的可靠性状态多个RNN推理模型中的一个RNN推理模型，并且执行所选择的RNN推理模型的神经网络操作，该神经网络操作使用所识别的可靠性状态标签作为输入，以生成指示阈值电压偏移读取误差(TVS
‑
RE)曲线的形状的输出值。识别接近所生成的TVS
‑
RE曲线的最小值的阈值电压偏移补偿(TVSO)值，并且使用所识别的TVSO值处的阈值电压偏移读取来执行该闪存存储器设备的读取。
[0009]本专利技术公开了一种闪存控制器，该闪存控制器包括数据存储模块，该数据存储模块被配置为存储多个可靠性状态CNN模型的配置文件、至少一个RNN推理模型的配置文件以及多个可靠性状态标签集，每个可靠性状态标签集与多个可靠性状态中的一个可靠性状态相关联，并且该可靠性状态CNN模型中的每个可靠性状态CNN模型与编程/擦除(P/E)循环范围相关联。状态模块被配置为识别当前编程/擦除循环次数。神经处理模块耦接到该数据存储模块并耦接到控制模块。该神经处理模块被配置为执行所存储的与对应于该当前P/E循环次数的P/E循环范围相关联的可靠性状态CNN模型中的一个可靠性状态CNN模型的神经网络操作以识别预测的可靠性状态，以及执行对应于该预测的可靠性状态的RNN推理模型的神经网络操作，每个神经网络操作使用与该预测的可靠性状态相关联的可靠性状态标签集作为输入，以生成指示读取该闪存存储器设备所需的所有阈值电压区域的TVS
‑
RE曲线的形状的输出。最小函数模块被配置为识别读取该闪存存储器设备所需的所有阈值电压区域的TVSO值，所识别的TVSO值中的每个TVSO值接近该TVS
‑
RE曲线中的一个TVS
‑
RE曲线的最小值。读取模块被配置为通过向该闪存存储器设备发送包括所识别的TVSO值的阈值电压偏移读取指令来执行该闪存存储器设备的读取。
[0010]本专利技术公开了一种固态驱动器(SSD)，该固态驱动器包括闪存存储器设备和耦接到该闪存存储器设备的闪存控制器。该闪存控制器包括数据存储模块，该数据存储模块被配置为存储多个可靠性状态分类神经网络(CNN)模型的配置文件、多个回归神经网络(RNN)推理模型的配置文件以及多个可靠性状态标签集，每个可靠性状态标签集与多个可靠性状态中的一个可靠性状态相关联，并且该可靠性状态CNN模型中的每个可靠性状态CNN模型与编程/擦除(P/E)循环范围相关联。神经处理模块耦接到该数据存储模块并耦接到控制模块。该神经处理模块被配置为执行所存储的与对应于当前P/E循环次数的P/E循环范围相关联的可靠性状态CNN模型的神经网络操作以识别预测的可靠性状态，以及执行对应于该预测的可靠性状态的RNN推理模型的神经网络操作，每个神经网络操作使用与该预测的可靠性状态相关联的可靠性状态标签集作为输入，以生成指示读取该闪存存储器设备所需的所有阈值电压区域的TVS
‑
RE曲线的本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.一种用于读取闪存存储器设备的方法，所述方法包括：存储多个可靠性状态分类神经网络(CNN)模型的配置文件、多个回归神经网络(RNN)推理模型的配置文件以及多个可靠性状态标签集，每个可靠性状态标签集与多个可靠性状态中的一个可靠性状态相关联，并且所述可靠性状态CNN模型中的每个可靠性状态CNN模型与编程/擦除(P/E)循环范围相关联；监测所述闪存存储器设备的操作以识别所述闪存存储器设备的当前P/E循环次数；选择与对应于所述当前P/E循环次数的P/E循环范围相关联的所述可靠性状态CNN模型中的一个可靠性状态CNN模型；执行所选择的可靠性状态CNN模型的神经网络操作以识别预测的可靠性状态；识别与所述预测的可靠性状态相关联的所述可靠性状态标签集；选择对应于所述预测的可靠性状态所述多个RNN推理模型中的一个RNN推理模型；执行所选择的RNN推理模型的神经网络操作，所述神经网络操作使用所识别的可靠性状态标签作为输入，以生成指示阈值电压偏移读取误差(TVS
‑
RE)曲线的形状的输出值；识别接近所述TVS
‑
RE曲线的最小值的阈值电压偏移补偿(TVSO)值；重复所述选择所述RNN模型中的一个RNN模型、所述执行所选择的RNN推理模型的所述神经网络操作以及所述识别读取所述闪存存储器设备所需的所有阈值电压区域的TVSO值；以及使用所识别的TVSO值处的阈值电压偏移读取来执行所述闪存存储器设备的读取。2.根据权利要求1所述的方法，其中，与所述预测的可靠性状态相关联的所述可靠性状态标签集包括指示保持时间值的保持时间标签、指示读取干扰值的读取干扰标签以及指示温度值的温度标签。3.根据权利要求1所述的方法，其中，所述执行所识别的可靠性状态CNN模型的神经网络操作以识别预测的可靠性状态使用字线索引和块索引作为所述神经网络操作的输入。4.根据权利要求1所述的方法，其中，所述执行所识别的可靠性状态CNN模型的神经网络操作使用字线索引、块索引和页面索引作为所述神经网络操作的输入。5.根据权利要求1所述的方法，其中，所述执行所选择的RNN推理模型的神经网络操作使用字线索引、块索引、页面索引、保持时间标签、读取干扰标签和温度标签作为所述神经网络操作的输入。6.根据权利要求1所述的方法，其中，指示所述TVS
‑
RE曲线的形状的所述输出包括所述TVS
‑
RE曲线的多个系数，并且其中所述识别接近所生成的TVS
‑
RE曲线的最小值的一个或多个TVSO值包括对所述系数执行最小函数以识别所述TVSO值。7.根据权利要求1所述的方法，其中，指示所述TVS
‑
RE曲线的形状的所述输出包括指示对应于不同TVSO值的误差的输出值，并且其中所述识别接近所生成的TVS
‑
RE曲线的最小值的TVSO值包括识别具有最小误差的所述输出值。8.根据权利要求1所述的方法，所述方法还包括：生成所述多个RNN推理模型，所述RNN推理模型中的每个RNN推理模型被配置为执行回归神经网络操作以识别所述TVS
‑
RE曲线的系数。9.根据权利要求1所述的方法，所述方法还包括：生成所述多个可靠性状态CNN推理模型，所述多个可靠性状态CNN模型中的每个可靠性
状态CNN模型使用对应于不同P/E循环值范围的数据记录来生成。10.一种闪存控制器，所述闪存控制器包括：数据存储模块，所述数据存储模块被配置为存储多个可靠性状态分类神经网络(CNN)模型的配置文件、多个回归神经网络(RNN)推理模型的配置文件以及多个可靠性状态标签集，每个可靠性状态标签集与多个可靠性状态中的一个可靠性状态相关联，并且所述可靠性状态CNN模型中的每个可靠性状态CNN模型与编程/擦除(P/E)循环范围相关联；状态模块，所述状态模块被配置为识别当前P/E循环次数；神经处理模块，所述神经处理模块耦...

【专利技术属性】
技术研发人员：L，
申请(专利权)人：微芯片技术股份有限公司，
类型：发明
国别省市：