CN111341362A - 一种译码方法及装置、存储介质 - Google Patents
一种译码方法及装置、存储介质 Download PDFInfo
- Publication number
- CN111341362A CN111341362A CN201811551026.XA CN201811551026A CN111341362A CN 111341362 A CN111341362 A CN 111341362A CN 201811551026 A CN201811551026 A CN 201811551026A CN 111341362 A CN111341362 A CN 111341362A
- Authority
- CN
- China
- Prior art keywords
- model
- current
- error rate
- historical
- physical parameters
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000013507 mapping Methods 0.000 claims abstract description 27
- 238000012549 training Methods 0.000 claims description 96
- 238000012545 processing Methods 0.000 claims description 61
- 230000015654 memory Effects 0.000 claims description 52
- 238000012795 verification Methods 0.000 claims description 15
- 238000004891 communication Methods 0.000 claims description 8
- 230000014759 maintenance of location Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 210000004027 cell Anatomy 0.000 description 27
- 230000006870 function Effects 0.000 description 20
- 238000010586 diagram Methods 0.000 description 14
- 238000012937 correction Methods 0.000 description 9
- 238000003062 neural network model Methods 0.000 description 9
- 210000002569 neuron Anatomy 0.000 description 9
- 230000004913 activation Effects 0.000 description 7
- 238000004590 computer program Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 230000007246 mechanism Effects 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013508 migration Methods 0.000 description 2
- 230000005012 migration Effects 0.000 description 2
- 210000000352 storage cell Anatomy 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G11—INFORMATION STORAGE
- G11C—STATIC STORES
- G11C8/00—Arrangements for selecting an address in a digital store
- G11C8/10—Decoders
Landscapes
- Engineering & Computer Science (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Techniques For Improving Reliability Of Storages (AREA)
Abstract
本发明实施例公开了一种译码方法及装置、存储介质，该方法包括：获取离线状态下得到的预测模型；所述预测模型用于表征物理参数与预测误码率的映射关系；所述物理参数用于表征影响所述预测误码率的读取电压和影响所述预测误码率的其他参数；在当前次译码状态下，获取当前物理参数；所述当前物理参数为当前次译码对应的所述物理参数；根据所述预测模型和所述当前物理参数，得到当前预测误码率；根据所述当前预测误码率，得到软信息，以使得基于所述软信息完成所述当前次译码。
Description
技术领域
本发明涉及数据存储技术，尤其涉及一种译码方法及装置、存储介质。
背景技术
为了满足日益增加的存储需求，在闪存器件中使用三维NAND存储技术，即增加闪存器件中单个存储单元的信息比特数，NAND闪存的存储密度大幅度增加导致误码率急剧升高，对此，低密度奇偶校验码(Low-Denspty-Parpty-Check Code，LDPC)作为一种纠错能力逼近香农极限的纠错方式，正在逐渐取代传统的纠错码，成为新一代闪存器件的纠错译码方式；LDPC译码时使用的软信息为对数似然比(LogLpkelphoodRatpo，LLR)，LLR的准确度决定了LDPC译码的迭代次数，而LLR可以通过原始比特误码率(Raw Bpt Error Rate，RBER)(简称为误码率)计算得到的，因此对RBER的估计就显得异常重要，然而由于RBER受多个因素的影响，现有技术无法准确地估计出RBER，进而不能提高译码速度。
发明内容
本发明的主要目的在于提出一种译码方法及装置、存储介质，能够提高译码速度。
本发明的技术方案是这样实现的：
本发明实施例提供了一种译码方法，所述方法包括：
获取离线状态下得到的预测模型；所述预测模型用于表征物理参数与预测误码率的映射关系；所述物理参数用于表征影响所述预测误码率的读取电压和影响所述预测误码率的其他参数；
在当前次译码状态下，获取当前物理参数；所述当前物理参数为当前次译码对应的所述物理参数；
根据所述预测模型和所述当前物理参数，得到当前预测误码率；
根据所述当前预测误码率，得到软信息，以使得基于所述软信息完成所述当前次译码。
上述方案中，所述当前物理参数包括：当前读取电压和当前其他参数；
所述当前其他参数包括以下至少一个：所述当前次译码对应的存储单元的位置、所述存储单元的相邻存储单元中的存储数据、数据保持时间和所述存储单元的数据处理操作次数。
上述方案中，所述获取离线状态下得到的预测模型，包括：
在所述离线状态下，对自身的存储单元中的存储数据进行数据处理操作，得到历史物理参数和历史误码率；所述历史物理参数为所述数据处理操作对应的所述物理参数；
利用所述历史物理参数和所述历史误码率，对预设初始模型进行训练，得到所述预测模型。
上述方案中，所述利用所述历史物理参数和所述历史误码率，对预设初始模型进行训练，得到所述预测模型，包括：
根据预设划分比例，对所述历史物理参数和所述历史误码率进行划分，得到模型训练数据和模型验证数据；
将所述模型训练数据分为k组模型训练数据；k为大于0的正整数；
利用所述k组模型训练数据中的每组模型训练数据，对所述预设初始模型进行训练，得到所述k组模型训练数据中每组模型训练数据对应的模型；
利用所述模型验证数据，确定所述每组模型训练数据对应的模型的预测准确率；
根据所述预测准确率，从所述k组模型训练数据中每组模型训练数据对应的模型中，确定出所述预测模型。
上述方案中，所述获取离线状态下得到的预测模型，包括：
在所述离线状态下，在预设周期的开始时刻，从m个预设读取电压中确定出最优读取电压；所述最优读取电压为所述m个预设读取电压中对应的误码率最小的预设读取电压；m为大于0的正整数；
在所述预设周期内，对自身的存储单元中的存储数据进行数据处理操作，得到历史物理参数和历史误码率；所述历史物理参数为所述数据处理操作对应的所述物理参数；
利用所述历史物理参数、所述历史误码率和所述最优读取电压，对预设初始模型进行训练，得到改进预测模型；所述改进预测模型用于表征所述物理参数与所述预测误码率和预测读取电压的映射关系；
将所述改进预测模型作为所述预测模型。
上述方案中，所述预测模型用于表征所述物理参数与所述预测误码率和预测读取电压的映射关系；
在所述获取当前物理参数之后，所述方法还包括：
根据所述预测模型和所述当前物理参数，得到当前预测读取电压；
根据所述当前预测读取电压，得到下一个物理参数；所述下一个物理参数为下一次译码对应的所述物理参数。
上述方案中，在所述根据所述当前预测误码率，得到软信息之后，所述方法还包括：
根据所述软信息，得到当前译码结果；
根据所述当前译码结果，更新所述预测模型的权值，得到更新后的预测模型。
本发明实施例提供了一种译码装置，所述装置包括：模型获取单元、参数获取单元、预测单元和计算单元；其中，
所述模型获取单元，用于获取离线状态下得到的预测模型；所述预测模型用于表征物理参数与预测误码率的映射关系；所述物理参数用于表征影响所述预测误码率的读取电压和影响所述预测误码率的其他参数；
所述参数获取单元，用于在当前次译码状态下，获取当前物理参数；所述当前物理参数为当前次译码对应的所述物理参数；
所述预测单元，用于根据所述预测模型和所述当前物理参数，得到当前预测误码率；
所述计算单元，用于根据所述当前预测误码率，得到软信息，以使得基于所述软信息完成所述当前次译码。
上述方案中，所述当前物理参数包括：当前读取电压和当前其他参数；
所述当前其他参数包括以下至少一个：所述当前次译码对应的存储单元的位置、所述存储单元的相邻存储单元中的存储数据、数据保持时间和所述存储单元的数据处理操作次数。
上述方案中，所述模型获取单元，具体用于在所述离线状态下，对自身的存储单元中的存储数据进行数据处理操作，得到历史物理参数和历史误码率；所述历史物理参数为所述数据处理操作对应的所述物理参数；以及利用所述历史物理参数和所述历史误码率，对预设初始模型进行训练，得到所述预测模型。
上述方案中，所述模型获取单元，具体用于根据预设划分比例，对所述历史物理参数和所述历史误码率进行划分，得到模型训练数据和模型验证数据；及将所述模型训练数据分为k组模型训练数据；k为大于0的正整数；及利用所述k组模型训练数据中的每组模型训练数据，对所述预设初始模型进行训练，得到所述k组模型训练数据中每组模型训练数据对应的模型；及利用所述模型验证数据，确定所述每组模型训练数据对应的模型的预测准确率；以及根据所述预测准确率，从所述k组模型训练数据中每组模型训练数据对应的模型中，确定出所述预测模型。
上述方案中，所述模型获取单元，具体用于在所述离线状态下，在预设周期的开始时刻，从m个预设读取电压中确定出最优读取电压；所述最优读取电压为所述m个预设读取电压中对应的误码率最小的预设读取电压；m为大于0的正整数；及在所述预设周期内，对自身的存储单元中的存储数据进行数据处理操作，得到历史物理参数和历史误码率；所述历史物理参数为所述数据处理操作对应的所述物理参数；及利用所述历史物理参数、所述历史误码率和所述最优读取电压，对预设初始模型进行训练，得到改进预测模型；所述改进预测模型用于表征所述物理参数与所述预测误码率和预测读取电压的映射关系；以及将所述改进预测模型作为所述预测模型。
上述方案中，所述预测模型用于表征所述物理参数与所述预测误码率和预测读取电压的映射关系；
所述预测单元，还用于在所述获取当前物理参数之后，根据所述预测模型和所述当前物理参数，得到当前预测读取电压；以及根据所述当前预测读取电压，得到下一个物理参数；所述下一个物理参数为下一次译码对应的所述物理参数。
上述方案中，所述装置还包括：
译码单元，用于在所述根据所述当前预测误码率，得到软信息之后，根据所述软信息，得到当前译码结果；
模型更新单元，用于根据所述当前译码结果，更新所述预测模型的权值，得到更新后的预测模型。
本发明实施例还提供了一种译码装置，所述装置包括：处理器、存储器和通信总线，所述存储器通过所述通信总线与所述处理器进行通信，所述存储器存储所述处理器可执行的一个或者多个程序，当所述一个或者多个程序被执行时，通过所述处理器执行上述任一项译码方法的步骤。
本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有程序，当所述程序被处理器执行时，导致所述处理器执行上述任一项译码方法的步骤。
本发明实施例提供一种译码方法及装置、存储介质，获取离线状态下得到的预测模型；所述预测模型用于表征物理参数与预测误码率的映射关系；所述物理参数用于表征影响所述预测误码率的读取电压和影响所述预测误码率的其他参数；在当前次译码状态下，获取当前物理参数；所述当前物理参数为当前次译码对应的所述物理参数；根据所述预测模型和所述当前物理参数，得到当前预测误码率；根据所述当前预测误码率，得到软信息，以使得基于所述软信息完成所述当前次译码。采用上述技术实现方案，利用表征物理参数与预测误码率的映射关系的预测模型，将当前物理参数作为预测模型的输入，得到当前预测误码率，由于物理参数包括了对预测误码率影响较大的读取电压，利用该物理参数与预测误码率的映射关系，预测出的当前预测误码率的准确性更高，进而基于更准确的当前预测误码率进行译码，译码速度被提高。
附图说明
图1为本发明实施例提供的一种闪存器件的结构示意图；
图2为本发明实施例提供的一种译码方法的流程图一；
图3为本发明实施例提供的一种神经网络模型的结构示意图；
图4为本发明实施例提供的一种译码方法的流程图二；
图5为本发明实施例提供的一种译码装置的结构示意图一；
图6为本发明实施例提供的一种译码装置的结构示意图二。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。
在后续的描述中，使用用于表示元件的诸如“模块”、“部件”或“单元”的后缀仅为了有利于本发明的说明，其本身没有特定的意义。因此，“模块”、“部件”或“单元”可以混合地使用。
对于闪存器件存在的误码率较高的情况，采用纠错能力逼近香农极限的LDPC纠错方式，当向闪存器件的任意一个存储单元输入数据时，LDPC纠错方式利用LLR，采用置信传播算法，迭代地更新变量节点和校验节点的信息，直至译码结束；其中，LLR也被称为任意一个存储单元的软信息，可以表示为：
P(x＝1)表示将接收到的比特正确判定为1的概率，P(x＝0)表示将接收到的比特正确判定为0的概率。
由于LDPC码的有效使用必须以准确的LLR为前提，而实际的P(x＝1)和P(x＝0)无法直接获取，可以根据RBER计算LLR，对RBER估计的准确性是影响LDPC译码性能和闪存器件使用寿命的重要因素；然而，闪存器件的器件特性在器件生命周期内逐步变化，因此，需要结合闪存器件的实际器件特性来估计RBER。
下面参见图1，其为实现本发明各个实施例的一种闪存器件的结构示意图，该闪存器件1包括：闪存单元11和闪存存储控制器12，闪存单元11包括多个存储单元，闪存存储控制器12包括LDPC码译码器121，LDPC码译码器121利用LLR对任意一个存储单元进行译码，并且，计算公式可以表示为：
其中，xp表示目标单元存储的真实数据；为了能够准确地计算出任意一个存储单元的LLR，需要获取准确的RBER，而任意一个存储单元的RBER受该存储单元的物理参数的影响，物理参数包括该存储单元的位置(包括字线编号(WL Pndex)、页种类(Page type)等)、与该存储单元相邻的存储单元的数据(Neighboring data)、数据保持时间(Data-retention time)、该存储单元的数据处理操作次数(P/E cycles)等，在实时译码时，可以获取该存储单元的物理参数，用于估计RBER；其中，数据处理操作包括对数据读出、数据写入和数据擦除。
需要说明的是，除了上述物理参数，闪存器件的读取电压也是影响RBER的重要参数，并且在闪存器件被用于实时译码之前就被确定了，但是在闪存器件的制造和使用过程中，由于器件老化等原因导致真实的读取电压不断变化，对应地，真实的RBER也不断变化，因此，自适应地调节确定的读取电压能够更准确地估计RBER。
需要说明的是，本发明实施例可以基于图1所示的闪存器件所实现，译码装置可以为闪存器件，闪存器件包括3D NAND闪存，3D NAND闪存分为三种类型，包括SLC(Spngle-LevelCell)、MLC(Multp-LevelCell)以及TLC(Trpple-Level Cell)，以下描述中将以TLC类型的闪存器件为例进行说明。
本领域技术人员可以理解，图1中示出的闪存器件的结构并不构成对闪存器件的限定，闪存器件可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
实施例一
本发明实施例一提供一种译码方法，如图2所示，该方法包括：
S201：获取离线状态下得到的预测模型；预测模型用于表征物理参数与预测误码率的映射关系；物理参数用于表征影响预测误码率的读取电压和影响预测误码率的其他参数。
译码装置在离线状态下对译码装置中的每个存储单元进行大量重复的数据处理操作，从而记录每个存储单元在每次数据处理操作对应的历史物理参数和历史误码率；利用每个存储单元的历史物理参数和历史误码率，生成每个存储单元的预测模型，从而在译码状态下，译码装置中的任意一个存储单元上发生数据处理操作时，可以根据任意一个存储单元的预测模型预测出误码率。
在一些实施例中，译码装置根据自身的错误机制，以及错误机制和物理参数的对应关系，确定物理参数。
示例性地，以TLC类型的闪存器件为例，TLC类型的闪存器件在制造和使用过程中存在着多种错误机制，包括：工艺误差、器件损耗、横向电流迁移、栅极容性噪声等；其中，工艺误差主要由于闪存器件在制造阶段存在着不可避免的误差，导致每个存储单元的电学特性存在偏差，对应的物理参数有字线编号；器件损耗主要由于在对存储单元进行读写时需要对栅极施加较大电压，随着数据处理操作次数的增加，氧化层性质逐渐发生变化，对应的物理参数有数据保持时间和存储单元的数据处理操作次数；横向电流迁移主要由于存储单元之间互相连接，因此随着数据保持时间的增加，存储的电荷会迁移到相邻的存储单元中，使得相邻的存储单元存储的信息发生变化，对应的物理参数有读取电压、存储单元的位置、以及存储单元的相邻存储单元中的存储数据；栅极容性噪声主要是由于单元间距离较近，因此在栅极间引入了等效电容，进而导致了RBER的变化，对应的物理参数有读取电压、字线编号、以及存储单元的相邻存储单元中的存储数据；根据对TLC器件错误机制的分析，可以发现，影响RBER的物理参数包括读取电压VTH、存储单元的位置(例如，字线编号WL Index、页种类Page type)、存储单元的相邻存储单元中的存储数据Neighboring data、数据保持时间Data-retention time、以及存储单元的数据处理操作次数P/E cycles等。
在一些实施例中，获取离线状态下得到的预测模型，可以包括：在离线状态下，对自身的存储单元中的存储数据进行数据处理操作，得到历史物理参数和历史误码率；历史物理参数为数据处理操作对应的物理参数；利用历史物理参数和历史误码率，对预设初始模型进行训练，得到预测模型。
示例性地，以译码装置中的任意一个存储单元为例，译码装置按照预设周期和m个预设读取电压，对该存储单元中的存储数据进行数据处理操作，假设预设周期包括I次数据处理操作，以预设周期内的第i次数据处理操作为例，先获取该存储单元的物理参数，再对该存储单元执行第i次数据处理操作，获得第i次数据处理操作对应的第i个历史物理参数和第i个历史误码率；可以使用预设格式对第i个历史物理参数和第i个历史误码率进行表示，预设格式为向量时，第i个历史物理参数可以表示为：[VTH，WL Pndex，Page type，Neighboring data，Data-retention time，P/E cycles](3)，其中，第i个历史物理参数中的读取电压VTH为m个预设读取电压中的任意一个读取电压；第i个历史误码率可以表示为：[RBER，1-RBER](4)，第I次数据读写操作后，可以获得I个历史物理参数和I个历史误码率。
在一些实施例中，利用历史物理参数和历史误码率，对预设初始模型进行训练，得到预测模型，包括：根据预设划分比例，对历史物理参数和历史误码率进行划分，得到模型训练数据和模型验证数据；将模型训练数据分为k组模型训练数据；k为大于0的正整数；利用k组模型训练数据中的每组模型训练数据，对预设初始模型进行训练，得到k组模型训练数据中每组模型训练数据对应的模型；利用模型验证数据，确定每组模型训练数据对应的模型的预测准确率；根据预测准确率，从k组模型训练数据中每组模型训练数据对应的模型中，确定出预测模型。
示例性地，译码装置可以根据十折交叉法，对历史误码率和历史物理参数进行划分，以任意一个存储单元对应的I个历史物理参数和I个历史误码率为例，将I个历史物理参数和I个历史误码率作为I对模型数据，假设划分比例为6：2：2，将I对模型数据划分为0.6*I对模型训练数据、0.2*I对模型验证数据、0.2*I对模型测试数据；将0.6*I对模型训练数据分为k组，利用每组模型训练数据，分别训练预设初始模型，得到每组模型训练数据对应的模型；再将0.2*I对模型验证数据中的历史物理参数，输入至每组模型训练数据对应的模型，得到预测的误码率，根据预测的误码率和0.2*I对模型验证数据中的历史误码率，确定每组模型训练数据对应的模型的预测准确率；从k组模型训练数据对应的模型中，选择预测准确率最高的预测模型；还可以利用0.2*I模型测试数据，确定选择的预测模型的准确率。
在一些实施例中，获取离线状态下得到的预测模型，包括：在离线状态下，在预设周期的开始时刻，从m个预设读取电压中确定出最优读取电压；最优读取电压为m个预设读取电压中对应的误码率最小的预设读取电压；m为大于0的正整数；在预设周期内，对自身的存储单元中的存储数据进行数据处理操作，得到历史物理参数和历史误码率；历史物理参数为数据处理操作对应的物理参数；利用历史物理参数、历史误码率和最优读取电压，对预设初始模型进行训练，得到改进预测模型；改进预测模型用于表征物理参数与预测误码率和预测读取电压的映射关系；将改进预测模型作为预测模型。
示例性地，以译码装置中的任意一个存储单元为例，译码装置按照N个预设周期和m个预设读取电压，对该存储单元中的存储数据进行数据处理操作，假设每个预设周期包括100次数据处理操作，以N个预设周期中第n个预设周期为例，在第n个预设周期的开始时刻，译码装置先确定第n个预设周期对应的最优读取电压Predict_VTHn，再对该存储单元执行第i次数据处理操作，获取第i次数据处理操作的第i个历史物理参数和第i个历史误码率，再以向量的形式表示第i个历史物理模型，得到第i对模型数据中的模型输入数据，表示为：[VTH，WL Pndex，Page type，Neighboring data，Data-retention time，P/E cycles](5)；以向量的形式表示第i个历史误码率和第n个预设周期对应的最优读取电压Predict_VTHn，得到第i对模型数据中的模型输出数据，表示为：[RBER，1-RBER，Predict_VTH](6)；第N个预设周期后，可以获得100*N对模型数据，利用100*N对模型数据训练预设初始模型，得到改进预测模型，将改进预测模型作为预测模型。
示例性地，译码装置确定第n个预设周期对应的最优读取电压，包括：在第n个预设周期开始时刻，利用n个预设读取电压，分别对该存储单元执行一次数据处理操作，对应获得历史误码率，选择历史误码率最小的预设读取电压为初始读取电压。
在一些实施例中，利用历史误码率和历史物理参数，对预设初始模型进行训练，得到预测模型，包括：利用多层神经网络，构建包括输入层、隐藏层和输出层的预设初始模型；隐藏层的激活函数包括线性修正函数(Rectified Linear Unit，ReLU)，输出层的激活函数包括柔性激活函数(Softmax)和线性激活函数(Linear)；以及利用历史误码率和历史物理参数，对预设初始模型进行训练，得到预测模型。
示例性地，译码装置基于多层感知器构建神经网络模型，作为预设初始模型，如图3所示的一种神经网络模型的结构示意图，神经网络模型的输入层31与模型输入数据的格式保持一样，输出层32与模型输出数据的格式保持一致，隐藏层33除了图3所示的，还可以是包含多层的隐藏层，模型输出数据表示为式(4)时，对应的输出层32可以包括三个神经元，分别表示RBER，1-RBER和Predict_VTH，并且，隐藏层33采用的线性修正函数ReLU表示为：
输出层32的RBER和1-RBER的神经元采用的柔性激活函数Softmax表示为：
输出层32的Predpct_VTH的神经元采用的线性激活函数Linear表示为：
Linear(xi)＝xi (9)
其中，xi为未经激活函数的神经元的输出，即每一层神经元的输入或者上一层神经元的输出；
为输出层32神经元经softmax激活后的激活值。
进一步地，译码装置采用损失函数和随机梯度下降法，利用模型数据，对神经网络模型进行训练，具体包括：利用交叉熵和均方误差定义损失函数，损失函数表示为：
其中，yi表示模型数据中的模型输入数据；
为输出层神经元经softmax激活后的激活值，即神经网络模型预测的模型输出数据；α和β为调整约束强度的参数；利用每组模型数据，对神经网络模型进行训练时，将每组模型数据中的每对模型数据输入至神经网络模型，计算损失函数，并根据损失函数的值计算梯度，再根据梯度更新神经网络模型的权重，直至将每组模型数据中的所有模型数据输入神经网络模型，将更新后的神经网络模型确定为每组模型数据对应的预测模型。
S202：在当前次译码状态下，获取当前物理参数；当前物理参数为当前次译码对应的物理参数。
译码装置在离线训练结束后，开始用于数据存储，即进入译码状态，在当前次译码状态下，对任意一个存储单元进行数据处理操作时，需要对数据处理操作中的数据进行实时译码，就需要获取当前预测误码率，因此，在检测到数据处理时，首先获取该存储单元的当前物理参数，根据当前物理参数和预测模型，得到当前预测误码率。
在一些实施例中，当前物理参数包括：当前读取电压和当前其他参数；当前其他参数包括以下至少一个：当前次译码对应的存储单元的位置、存储单元的相邻存储单元中的存储数据、数据保持时间和存储单元的数据处理操作次数。
需要说明的是，译码装置在离线训练结束时，预设了译码状态对应的初始读取电压，当当前次译码为首次译码时，将初始读取电压作为当前物理参数中的当前读取电压。
S203：根据预测模型和当前物理参数，得到当前预测误码率。
译码装置在当前译码状态下，获取任意一个存储单元的当前物理参数之后，根据当前物理参数和预测模型，得到当前预测误码率。
在一些实施例中，当预测模型用于表征物理参数与预测误码率的映射关系时，即预测模型的输入为物理参数、输出为预测误码率时，根据当前物理参数和预测模型，得到当前预测误码率；当预测模型用于表征物理参数与预测误码率和预测读取电压的映射关系时，即预测模型的输入为物理参数、输出为预测误码率和预测读取电压时，根据当前物理参数和预测模型，得到当前预测误码率和当前预测读取电压。
S204：根据当前预测误码率，得到软信息，以使得基于软信息完成当前次译码。
译码装置在当前译码状态下，得到当前预测误码率之后，根据当前预测误码率、计算公式(1)和计算公式(2)，计算LLR；向译码器发送LLR，以使得译码器根据LLR进行当前次译码。
示例性地，译码器包括LDPC码译码器，译码装置向LDPC码译码器发送软信息，LDPC码译码器采用置信传播算法，利用软信息对变量节点和校验节点的值进行更新，直至译码结束，获得当前次译码结果。
在一些实施例中，在得到软信息之后，方法还包括：根据软信息，得到当前译码结果；根据当前译码结果，更新预测模型的权值，得到更新后的预测模型。
示例性地，译码装置接收译码器发送的当前次译码结果，根据当前次译码结果和当前预测误码率，更新预测模型的权值，包括：按照权值更新公式(11)，对预测模型的权值进行更新，公式(11)表示为：
其中，
表示第k层神经元i到k+1层神经元j的权重；γ表示学习率，用于控制权值的更新进度；L表示损失函数，形式与上述损失函数相同；进而，得到更新后的预测模型，用于下一次译码。
需要说明的是，预测模型具体用于表征物理参数与预测误码率和预测读取电压的映射关系，也就是说，预测模型具体用于表示输入参数和输出参数的映射关系，输入参数为物理参数、输出参数为预测误码率和预测读取电压，此时，在步骤S202之后，如图4所示，译码方法还包括：
S205：根据预测模型和当前物理参数，得到当前预测读取电压。
译码装置获得改进预测模型，并将改进预测模型作为预测模型时，根据当前物理参数和预测模型，还能够得到当前预测读取电压。
需要说明的是，当步骤S203中的预测模型也是改进预测模型时，步骤S205与步骤S203同时发生。
S206：根据当前预测读取电压，得到下一个物理参数；下一个物理参数为下一次译码对应的物理参数。
译码装置得到当前预测读取电压后，将当前预测读取电压作为下一个物理参数中的读取电压，下一个物理参数就是下一次译码对应的物理参数。
在一些实施例中，译码装置在离线训练结束时，预设了译码状态对应的初始读取电压，在每一次译码时，将初始读取电压作为每一个物理参数中的读取电压，对应地，译码装置得到当前预测读取电压后，将当前预测读取电压替换为初始读取电压，从而得到更新后的初始读取电压，当下一次译码时，采用更新后的初始读取电压。
如此，利用预测模型还得到当前预测读取电压，并对初始读取电压进行更新，可以使得更新后的初始读取电压更符合译码装置实时变化的器件特性，那么，利用更新后的初始读取电压得到的下一次误码率的准确性被提高，进而，减少了译码迭代次数，延长译码装置的使用寿命。
在一些实施例中，对于处于译码状态下的译码装置，对任意一个存储单元的译码过程包括：
A1：译码装置检测到针对该存储单元的数据处理操作时，确定处于当前次译码状态，获取该存储单元的当前物理参数，当前物理参数包括初始读取电压；执行步骤A2；
A2：译码装置获取离线状态下得到的预测模型，该预测模型用于表征物理参数与预测误码率和预测读取电压的映射关系；执行步骤A3；
其中，在理想状态下生成该预测模型的过程包括：根据译码装置自身的错误机制，确定出物理参数；对该存储单元中的存储数据执行多次数据处理操作，获取每次数据处理操作对应的该物理参数，进而得到多次数据处理操作对应的该物理参数，将其作为模型数据，对预设初始模型进行训练，得到该预测模型；
A3：译码装置利用该预测模型和当前物理参数，得到当前预测误码率和当前预测读取电压，执行步骤A4和A5；
A4：译码装置利用当前预测读取电压替换初始读取电压，得到更新后的初始读取电压；
A5：译码装置根据当前预测误码率，计算得到LLR；执行步骤A6；
A6：译码装置采用LDPC纠错方式，利用LLR，对该数据处理操作中的数据完成译码，得到译码结果；执行步骤A7；
A7：译码装置根据译码结果，更新该预测模型的权值，得到更新后的预测模型。
可以理解的是，译码装置利用表征物理参数与预测误码率的映射关系的预测模型，将当前物理参数作为预测模型的输入，得到当前预测误码率，由于物理参数包括了对预测误码率影响较大的读取电压，利用该物理参数与预测误码率的映射关系，预测出的当前预测误码率的准确性更高，进而基于更准确的当前预测误码率进行译码，译码速度被提高。
实施例二
基于实施例一的同一发明构思，进行进一步的说明。
本发明实施例提供一种译码装置2，如图5所示，该装置2包括：模型获取单元20、参数获取单元21、预测单元22和计算单元23；其中，
所述模型获取单元20，用于获取离线状态下得到的预测模型；所述预测模型用于表征物理参数与预测误码率的映射关系；所述物理参数用于表征影响所述预测误码率的读取电压和影响所述预测误码率的其他参数；
所述参数获取单元21，用于在当前次译码状态下，获取当前物理参数；所述当前物理参数为当前次译码对应的所述物理参数；
所述预测单元22，用于根据所述预测模型和所述当前物理参数，得到当前预测误码率；
所述计算单元23，用于根据所述当前预测误码率，得到软信息，以使得基于所述软信息完成所述当前次译码。
在一些实施例中，所述当前物理参数包括：当前读取电压和当前其他参数；
所述当前其他参数包括以下至少一个：所述当前次译码对应的存储单元的位置、所述存储单元的相邻存储单元中的存储数据、数据保持时间和所述存储单元的数据处理操作次数。
在一些实施例中，所述模型获取单元20，具体用于在所述离线状态下，对自身的存储单元中的存储数据进行数据处理操作，得到历史物理参数和历史误码率；所述历史物理参数为所述数据处理操作对应的所述物理参数；以及利用所述历史物理参数和所述历史误码率，对预设初始模型进行训练，得到所述预测模型。
在一些实施例中，所述模型获取单元20，具体用于根据预设划分比例，对所述历史物理参数和所述历史误码率进行划分，得到模型训练数据和模型验证数据；及将所述模型训练数据分为k组模型训练数据；k为大于0的正整数；及利用所述k组模型训练数据中的每组模型训练数据，对所述预设初始模型进行训练，得到所述k组模型训练数据中每组模型训练数据对应的模型；及利用所述模型验证数据，确定所述每组模型训练数据对应的模型的预测准确率；以及根据所述预测准确率，从所述k组模型训练数据中每组模型训练数据对应的模型中，确定出所述预测模型。
在一些实施例中，所述模型获取单元20，具体用于在所述离线状态下，在预设周期的开始时刻，从m个预设读取电压中确定出最优读取电压；所述最优读取电压为所述m个预设读取电压中对应的误码率最小的预设读取电压；m为大于0的正整数；及在所述预设周期内，对自身的存储单元中的存储数据进行数据处理操作，得到历史物理参数和历史误码率；所述历史物理参数为所述数据处理操作对应的所述物理参数；及利用所述历史物理参数、所述历史误码率和所述最优读取电压，对预设初始模型进行训练，得到改进预测模型；所述改进预测模型用于表征所述物理参数与所述预测误码率和预测读取电压的映射关系；以及将所述改进预测模型作为所述预测模型。
在一些实施例中，所述预测模型用于表征所述物理参数与所述预测误码率和预测读取电压的映射关系；所述预测单元22，还用于在所述获取当前物理参数之后，根据所述预测模型和所述当前物理参数，得到当前预测读取电压；以及根据所述当前预测读取电压，得到下一个物理参数；所述下一个物理参数为下一次译码对应的所述物理参数。
在一些实施例中，所述装置还包括：
译码单元24，用于在所述根据所述当前预测误码率，得到软信息之后，根据所述软信息，得到当前译码结果；
模型更新单元25，用于根据所述当前译码结果，更新所述预测模型的权值，得到更新后的预测模型。
需要说明的是，在实际应用中，上述模型获取单元20、参数获取单元21、预测单元22、计算单元23、译码单元24和模型更新单元25，可由位于译码装置2上的处理器26实现，具体为CPU(Central Processpng Unpt，中央处理器)、MPU(Mpcroprocessor Unpt，微处理器)、DSP(Dpgptal Spgnal Processpng，数字信号处理器)或现场可编程门阵列(FPGA，Fpeld Programmable Gate Array)等实现。
本发明实施例还提供了一种译码装置2，如图6所示，该装置2包括：处理器26、存储器27和通信总线28，存储器27通过通信总线28与处理器26进行通信，存储器27存储处理器26可执行的一个或者多个程序，当一个或者多个程序被执行时，通过处理器26执行如前述实施例所述的任意一种译码方法。
在实际应用中，存储器27可以是易失性第一存储器(volatple memory)，例如随机存取第一存储器(Random-Access Memory，RAM)；或者非易失性第一存储器(non-volatplememory)，例如只读第一存储器(Read-Only Memory，ROM)，快闪第一存储器(flashmemory)，硬盘(Hard Dpsk Drpve，HDD)或固态硬盘(Solpd-State Drpve，SSD)；或者上述种类的第一存储器的组合，并向处理器26提供程序和数据。
本发明实施例提供了一种计算机可读存储介质，计算机可读存储介质存储有程序，当所述程序被处理器26执行时，导致所述处理器26执行前述实施例所述的任意一种译码方法。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。
Claims (16)
1.一种译码方法，其特征在于，所述方法包括：
获取离线状态下得到的预测模型；所述预测模型用于表征物理参数与预测误码率的映射关系；所述物理参数用于表征影响所述预测误码率的读取电压和影响所述预测误码率的其他参数；
在当前次译码状态下，获取当前物理参数；所述当前物理参数为当前次译码对应的所述物理参数；
根据所述预测模型和所述当前物理参数，得到当前预测误码率；
根据所述当前预测误码率，得到软信息，以使得基于所述软信息完成所述当前次译码。
2.根据权利要求1所述的方法，其特征在于，
所述当前物理参数包括：当前读取电压和当前其他参数；
所述当前其他参数包括以下至少一个：所述当前次译码对应的存储单元的位置、所述存储单元的相邻存储单元中的存储数据、数据保持时间和所述存储单元的数据处理操作次数。
3.根据权利要求1所述的方法，其特征在于，所述获取离线状态下得到的预测模型，包括：
在所述离线状态下，对自身的存储单元中的存储数据进行数据处理操作，得到历史物理参数和历史误码率；所述历史物理参数为所述数据处理操作对应的所述物理参数；
利用所述历史物理参数和所述历史误码率，对预设初始模型进行训练，得到所述预测模型。
4.根据权利要求3所述的方法，其特征在于，所述利用所述历史物理参数和所述历史误码率，对预设初始模型进行训练，得到所述预测模型，包括：
根据预设划分比例，对所述历史物理参数和所述历史误码率进行划分，得到模型训练数据和模型验证数据；
将所述模型训练数据分为k组模型训练数据；k为大于0的正整数；
利用所述k组模型训练数据中的每组模型训练数据，对所述预设初始模型进行训练，得到所述k组模型训练数据中每组模型训练数据对应的模型；
利用所述模型验证数据，确定所述每组模型训练数据对应的模型的预测准确率；
根据所述预测准确率，从所述k组模型训练数据中每组模型训练数据对应的模型中，确定出所述预测模型。
5.根据权利要求1所述的方法，其特征在于，所述获取离线状态下得到的预测模型，包括：
在所述离线状态下，在预设周期的开始时刻，从m个预设读取电压中确定出最优读取电压；所述最优读取电压为所述m个预设读取电压中对应的误码率最小的预设读取电压；m为大于0的正整数；
在所述预设周期内，对自身的存储单元中的存储数据进行数据处理操作，得到历史物理参数和历史误码率；所述历史物理参数为所述数据处理操作对应的所述物理参数；
利用所述历史物理参数、所述历史误码率和所述最优读取电压，对预设初始模型进行训练，得到改进预测模型；所述改进预测模型用于表征所述物理参数与所述预测误码率和预测读取电压的映射关系；
将所述改进预测模型作为所述预测模型。
6.根据权利要求1所述的方法，其特征在于，所述预测模型用于表征所述物理参数与所述预测误码率和预测读取电压的映射关系；
在所述获取当前物理参数之后，所述方法还包括：
根据所述预测模型和所述当前物理参数，得到当前预测读取电压；
根据所述当前预测读取电压，得到下一个物理参数；所述下一个物理参数为下一次译码对应的所述物理参数。
7.根据权利要求1至6任一项所述的方法，其特征在于，在所述根据所述当前预测误码率，得到软信息之后，所述方法还包括：
根据所述软信息，得到当前译码结果；
根据所述当前译码结果，更新所述预测模型的权值，得到更新后的预测模型。
8.一种译码装置，其特征在于，所述装置包括：模型获取单元、参数获取单元、预测单元和计算单元；其中，
所述模型获取单元，用于获取离线状态下得到的预测模型；所述预测模型用于表征物理参数与预测误码率的映射关系；所述物理参数用于表征影响所述预测误码率的读取电压和影响所述预测误码率的其他参数；
所述参数获取单元，用于在当前次译码状态下，获取当前物理参数；所述当前物理参数为当前次译码对应的所述物理参数；
所述预测单元，用于根据所述预测模型和所述当前物理参数，得到当前预测误码率；
所述计算单元，用于根据所述当前预测误码率，得到软信息，以使得基于所述软信息完成所述当前次译码。
9.根据权利要求8所述的装置，其特征在于，
所述当前物理参数包括：当前读取电压和当前其他参数；
所述当前其他参数包括以下至少一个：所述当前次译码对应的存储单元的位置、所述存储单元的相邻存储单元中的存储数据、数据保持时间和所述存储单元的数据处理操作次数。
10.根据权利要求8所述的装置，其特征在于，所述模型获取单元，具体用于在所述离线状态下，对自身的存储单元中的存储数据进行数据处理操作，得到历史物理参数和历史误码率；所述历史物理参数为所述数据处理操作对应的所述物理参数；以及利用所述历史物理参数和所述历史误码率，对预设初始模型进行训练，得到所述预测模型。
11.根据权利要求10所述的装置，其特征在于，所述模型获取单元，具体用于根据预设划分比例，对所述历史物理参数和所述历史误码率进行划分，得到模型训练数据和模型验证数据；及将所述模型训练数据分为k组模型训练数据；k为大于0的正整数；及利用所述k组模型训练数据中的每组模型训练数据，对所述预设初始模型进行训练，得到所述k组模型训练数据中每组模型训练数据对应的模型；及利用所述模型验证数据，确定所述每组模型训练数据对应的模型的预测准确率；以及根据所述预测准确率，从所述k组模型训练数据中每组模型训练数据对应的模型中，确定出所述预测模型。
12.根据权利要求8所述的装置，其特征在于，所述模型获取单元，具体用于在所述离线状态下，在预设周期的开始时刻，从m个预设读取电压中确定出最优读取电压；所述最优读取电压为所述m个预设读取电压中对应的误码率最小的预设读取电压；m为大于0的正整数；及在所述预设周期内，对自身的存储单元中的存储数据进行数据处理操作，得到历史物理参数和历史误码率；所述历史物理参数为所述数据处理操作对应的所述物理参数；及利用所述历史物理参数、所述历史误码率和所述最优读取电压，对预设初始模型进行训练，得到改进预测模型；所述改进预测模型用于表征所述物理参数与所述预测误码率和预测读取电压的映射关系；以及将所述改进预测模型作为所述预测模型。
13.根据权利要求8所述的装置，其特征在于，所述预测模型用于表征所述物理参数与所述预测误码率和预测读取电压的映射关系；
所述预测单元，还用于在所述获取当前物理参数之后，根据所述预测模型和所述当前物理参数，得到当前预测读取电压；以及根据所述当前预测读取电压，得到下一个物理参数；所述下一个物理参数为下一次译码对应的所述物理参数。
14.根据权利要求8至13任一项所述的装置，其特征在于，所述装置还包括：
译码单元，用于在所述根据所述当前预测误码率，得到软信息之后，根据所述软信息，得到当前译码结果；
模型更新单元，用于根据所述当前译码结果，更新所述预测模型的权值，得到更新后的预测模型。
15.一种译码装置，其特征在于，所述装置包括：处理器、存储器和通信总线，所述存储器通过所述通信总线与所述处理器进行通信，所述存储器存储所述处理器可执行的一个或者多个程序，当所述一个或者多个程序被执行时，通过所述处理器执行权利要求1至7任一项所述方法的步骤。
16.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有程序，当所述程序被处理器执行时，导致所述处理器执行权利要求1至7任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811551026.XA CN111341362A (zh) | 2018-12-18 | 2018-12-18 | 一种译码方法及装置、存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811551026.XA CN111341362A (zh) | 2018-12-18 | 2018-12-18 | 一种译码方法及装置、存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111341362A true CN111341362A (zh) | 2020-06-26 |
Family
ID=71183176
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811551026.XA Withdrawn CN111341362A (zh) | 2018-12-18 | 2018-12-18 | 一种译码方法及装置、存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111341362A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116469442A (zh) * | 2022-03-23 | 2023-07-21 | 武汉置富半导体技术有限公司 | 芯片数据保持时间的预测方法、装置及存储介质 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1976248A (zh) * | 2006-12-03 | 2007-06-06 | 华为技术有限公司 | 一种外环功控方法及其装置 |
| US20080244339A1 (en) * | 2007-03-28 | 2008-10-02 | Samsung Electronics Co., Ltd. | Read level control apparatuses and methods |
| US20110280296A1 (en) * | 2010-05-13 | 2011-11-17 | Yi-Pin Eric Wang | Channel quality estimation from raw bit error rate |
| US20150200688A1 (en) * | 2014-01-10 | 2015-07-16 | Fusion-Io, Inc. | Dynamic log-likelihood ratio mapping for error correcting code decoding |
| CN105159840A (zh) * | 2015-10-16 | 2015-12-16 | 华中科技大学 | 一种闪存器件的软信息提取方法 |
| US20150363247A1 (en) * | 2014-06-13 | 2015-12-17 | Cisco Technology, Inc. | Accurate and Fast In-Service Estimation of Input Bit Error Ratio of Low Density Parity Check Decoders |
| US20160203405A1 (en) * | 2015-01-12 | 2016-07-14 | Bank Of America Corporation | Transforming predictive models |
| CN106981308A (zh) * | 2017-03-20 | 2017-07-25 | 记忆科技(深圳)有限公司 | 一种精准获取llr信息的应用方法 |
| US20180048434A1 (en) * | 2016-08-12 | 2018-02-15 | Sk Hynix Memory Solutions Inc. | Page health prediction using product codes decoder in nand flash storage |
| CN108628552A (zh) * | 2018-05-10 | 2018-10-09 | 南京道熵信息技术有限公司 | 一种改善Flash磨损寿命的方法、控制装置及存储系统 |
-
2018
- 2018-12-18 CN CN201811551026.XA patent/CN111341362A/zh not_active Withdrawn
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1976248A (zh) * | 2006-12-03 | 2007-06-06 | 华为技术有限公司 | 一种外环功控方法及其装置 |
| US20080244339A1 (en) * | 2007-03-28 | 2008-10-02 | Samsung Electronics Co., Ltd. | Read level control apparatuses and methods |
| US20110280296A1 (en) * | 2010-05-13 | 2011-11-17 | Yi-Pin Eric Wang | Channel quality estimation from raw bit error rate |
| US20150200688A1 (en) * | 2014-01-10 | 2015-07-16 | Fusion-Io, Inc. | Dynamic log-likelihood ratio mapping for error correcting code decoding |
| US20150363247A1 (en) * | 2014-06-13 | 2015-12-17 | Cisco Technology, Inc. | Accurate and Fast In-Service Estimation of Input Bit Error Ratio of Low Density Parity Check Decoders |
| US20160203405A1 (en) * | 2015-01-12 | 2016-07-14 | Bank Of America Corporation | Transforming predictive models |
| CN105159840A (zh) * | 2015-10-16 | 2015-12-16 | 华中科技大学 | 一种闪存器件的软信息提取方法 |
| US20180048434A1 (en) * | 2016-08-12 | 2018-02-15 | Sk Hynix Memory Solutions Inc. | Page health prediction using product codes decoder in nand flash storage |
| CN106981308A (zh) * | 2017-03-20 | 2017-07-25 | 记忆科技(深圳)有限公司 | 一种精准获取llr信息的应用方法 |
| CN108628552A (zh) * | 2018-05-10 | 2018-10-09 | 南京道熵信息技术有限公司 | 一种改善Flash磨损寿命的方法、控制装置及存储系统 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116469442A (zh) * | 2022-03-23 | 2023-07-21 | 武汉置富半导体技术有限公司 | 芯片数据保持时间的预测方法、装置及存储介质 |
| CN116469442B (zh) * | 2022-03-23 | 2024-05-03 | 武汉置富半导体技术有限公司 | 芯片数据保持时间的预测方法、装置及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR20220086694A (ko) | 멤리스터 기반 신경 네트워크 트레이닝 방법 및 그 트레이닝 장치 | |
| US10691537B2 (en) | Storing deep neural network weights in non-volatile storage systems using vertical error correction codes | |
| CN102203877B (zh) | 使用解码器性能反馈的用于存储器器件的软数据生成的方法和装置 | |
| US11029890B1 (en) | Compound feature generation in classification of error rate of data retrieved from memory cells | |
| CN104126205B (zh) | 用于减轻同时多状态感测引起的变化的存储器及其方法 | |
| TWI613674B (zh) | 在具有選擇性二元及非二元解碼之快閃記憶體中之偵測及解碼 | |
| US20130185598A1 (en) | Multi-tier detection and decoding in flash memories | |
| CN110870014A (zh) | 具有动态编程校准的存储器装置 | |
| US11086569B2 (en) | Memory system and method | |
| CN111309544B (zh) | 一种读参考电压受多维因子影响的预测建模及施加方法 | |
| US10613927B1 (en) | System and method for improved memory error rate estimation | |
| CN112929033A (zh) | 基于深度学习的MLC型NAND闪存Polar-RNNA量化器的优化方法 | |
| US11630722B2 (en) | Method and system for decoding data based on association of first memory location and second memory location | |
| CN113344020A (zh) | 从存储器单元检索的数据的错误率的分类 | |
| CN115691624A (zh) | 用于参数化pv电平建模的读取阈值电压估计系统和方法 | |
| US11546000B2 (en) | Mobile data storage | |
| CN104851458B (zh) | 解码方法、存储器存储装置与存储器控制电路单元 | |
| CN110837477B (zh) | 一种基于寿命预测的存储系统损耗均衡方法及装置 | |
| JP2020042884A (ja) | メモリシステム | |
| CN111341362A (zh) | 一种译码方法及装置、存储介质 | |
| CN115762608A (zh) | 压缩存储器装置中使用的深度神经网络 | |
| US11342040B2 (en) | Memory system | |
| KR20210026767A (ko) | 뉴럴 네트워크를 이용한 플래시 메모리의 읽기 기준 전압 추정 방법 및 그 장치 | |
| US20210407598A1 (en) | Dual Sense Bin Balancing In NAND Flash | |
| US11838032B1 (en) | Advanced ultra low power error correcting code encoders and decoders |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20200626 |
|
| WW01 | Invention patent application withdrawn after publication |