CN116631488B - 一种闪存存储器的存储性能检测方法及系统 - Google Patents
一种闪存存储器的存储性能检测方法及系统 Download PDFInfo
- Publication number
- CN116631488B CN116631488B CN202310905414.8A CN202310905414A CN116631488B CN 116631488 B CN116631488 B CN 116631488B CN 202310905414 A CN202310905414 A CN 202310905414A CN 116631488 B CN116631488 B CN 116631488B
- Authority
- CN
- China
- Prior art keywords
- optimized
- performance
- memory
- index
- detection
- 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.)
- Active
Links
- 230000015654 memory Effects 0.000 title claims abstract description 225
- 238000001514 detection method Methods 0.000 title claims abstract description 167
- 238000003860 storage Methods 0.000 title claims abstract description 163
- 238000012545 processing Methods 0.000 claims abstract description 129
- 238000005457 optimization Methods 0.000 claims abstract description 60
- 238000000034 method Methods 0.000 claims abstract description 50
- 230000006870 function Effects 0.000 claims abstract description 48
- 239000011159 matrix material Substances 0.000 claims abstract description 40
- 238000007667 floating Methods 0.000 claims abstract description 31
- 238000012098 association analyses Methods 0.000 claims abstract description 26
- 238000004519 manufacturing process Methods 0.000 claims abstract description 18
- 238000007726 management method Methods 0.000 claims abstract description 13
- 230000007334 memory performance Effects 0.000 claims abstract description 4
- 239000002245 particle Substances 0.000 claims description 43
- 238000012546 transfer Methods 0.000 claims description 25
- 238000004458 analytical method Methods 0.000 claims description 23
- 238000011156 evaluation Methods 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 17
- 230000005641 tunneling Effects 0.000 claims description 15
- 230000005693 optoelectronics Effects 0.000 claims description 14
- 230000014759 maintenance of location Effects 0.000 claims description 12
- 230000001419 dependent effect Effects 0.000 claims description 11
- 238000013461 design Methods 0.000 claims description 10
- 230000007246 mechanism Effects 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 6
- 230000004044 response Effects 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 7
- 239000000523 sample Substances 0.000 description 8
- 239000004065 semiconductor Substances 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 230000004298 light response Effects 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 229910021389 graphene Inorganic materials 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N Silicium dioxide Chemical compound O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 229910052814 silicon oxide Inorganic materials 0.000 description 2
- ATJFFYVFTNAWJD-UHFFFAOYSA-N Tin Chemical compound [Sn] ATJFFYVFTNAWJD-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000000498 ball milling Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000001678 irradiating effect Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000006748 scratching Methods 0.000 description 1
- 230000002393 scratching effect Effects 0.000 description 1
- 238000003466 welding Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G11—INFORMATION STORAGE
- G11C—STATIC STORES
- G11C29/00—Checking stores for correct operation ; Subsequent repair; Testing stores during standby or offline operation
- G11C29/04—Detection or location of defective memory elements, e.g. cell constructio details, timing of test signals
- G11C29/08—Functional testing, e.g. testing during refresh, power-on self testing [POST] or distributed testing
- G11C29/12—Built-in arrangements for testing, e.g. built-in self testing [BIST] or interconnection details
- G11C29/12005—Built-in arrangements for testing, e.g. built-in self testing [BIST] or interconnection details comprising voltage or current generators
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Techniques For Improving Reliability Of Storages (AREA)
Abstract
本发明公开了一种闪存存储器的存储性能检测方法及系统,涉及数据处理技术领域,该方法包括:获取存储性能检测指标和存储性能指标阈值;获取检测指标状态值矩阵;提取不满足存储性能指标阈值的性能检测指标,设为待优化性能指标;根据待优化性能指标进行关联度分析,获取存储器待优化加工参数;根据待优化性能指标对存储器待优化加工参数进行优化设计;将待优化性能指标和存储器优化方案添加进存储性能检测结果;发送至浮栅型存储器生产管理终端。本发明解决了现有技术存在闪存存储器的存储性能检测功能单一化,检测周期长和智能化程度低的技术问题,达到了提高检测效率和检测准确度,并为优化存储器的生产提供智能化方案的技术效果。
Description
本发明涉及数据处理技术领域,具体涉及一种闪存存储器的存储性能检测方法及系统。
背景技术
随着大数据技术的飞速发展,产生的海量数据需要及时、可靠的存储,从而可以最大程度提高数据的利用程度。闪存存储器是一种非易失性存储器,即使是断电的情况下,存储器内的数据也不会丢失,因此,闪存存储器在数据存储中被广泛使用。
目前,闪存存储器的存储性能主要是通过专业测试人员进行多方面的测试,对测试结果进行汇总分析,确定闪存存储器对数据进行存储的可靠程度。然而,在实际测试的过程中,测试人员在面对大量的测试数据进行数据分析时,往往会由于人员的工作能力以及人力资源不足等因素,导致数据分析结果不可靠,且反馈周期过长,无法及时对性能检测结果进行反馈。并且,得到的仅仅是单一的检测结果,对检测结果出现的原因并未进行溯源,导致后续分析程序增多。现有技术存在闪存存储器的存储性能检测功能单一化,检测周期长和智能化程度低的技术问题。
发明内容
本申请提供了一种闪存存储器的存储性能检测方法及系统,用于针对解决现有技术存在闪存存储器的存储性能检测功能单一化,检测周期长和智能化程度低的技术问题。
鉴于上述问题,本申请提供了一种闪存存储器的存储性能检测方法及系统。
本申请的第一个方面,提供了一种闪存存储器的存储性能检测方法,其中,所述方法应用于浮栅型存储器检测模块,包括:
获取存储性能检测指标和存储性能指标阈值;
遍历所述存储性能检测指标对闪存存储器进行检测,获取检测指标状态值矩阵;
提取所述检测指标状态值矩阵不满足所述存储性能指标阈值的性能检测指标,设为待优化性能指标;
根据所述待优化性能指标进行关联度分析,获取存储器待优化加工参数;
根据所述待优化性能指标对所述存储器待优化加工参数进行优化设计,获取存储器优化方案;
将所述待优化性能指标和所述存储器优化方案添加进存储性能检测结果;
将所述存储性能检测结果发送至浮栅型存储器生产管理终端。
本申请的第二个方面,提供了一种闪存存储器的存储性能检测系统,所述系统包括:
检测指标获得模块,所述检测指标获得模块用于获取存储性能检测指标和存储性能指标阈值;
状态值矩阵获得模块,所述状态值矩阵获得模块用于遍历所述存储性能检测指标对闪存存储器进行检测,获取检测指标状态值矩阵;
性能优化指标设定模块,所述性能优化设定模块用于提取所述检测指标状态值矩阵不满足所述存储性能指标阈值的性能检测指标,设为待优化性能指标;
加工参数获得模块,所述加工参数获得模块用于根据所述待优化性能指标进行关联度分析,获取存储器待优化加工参数;
优化方案获得模块,所述优化方案获得模块用于根据所述待优化性能指标对所述存储器待优化加工参数进行优化设计,获取存储器优化方案;
检测结果获得模块,所述检测结果获得模块用于将所述待优化性能指标和所述存储器优化方案添加进存储性能检测结果;
结果发送模块,所述结果发送模块用于将所述存储性能检测结果发送至浮栅型存储器生产管理终端。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
本申请通过对闪存存储器的存储性能检测指标和存储性能指标阈值进行获取,然后根据存储性能检测指标中的每一个检测指标对闪存存储器进行检测,根据检测结果获得检测指标状态值矩阵,然后将检测指标状态值矩阵不满足存储性能指标阈值的性能检测指标进行提取,将提取结果设为待优化性能指标,然后根据待优化性能指标进行关联度分析,获取存储器待优化加工参数,以及利用待优化性能指标对存储器待优化加工参数进行优化设计,获取存储器优化方案,然后将待优化性能指标和存储器优化方案添加进存储性能检测结果,通过将存储性能检测结果发送至浮栅型存储器生产管理终端。达到了对闪存存储器的存储性能进行智能化检测,缩短检测周期,并根据洁厕结果对存储器生产进行优化管理,进一步提高闪存存储器质量的技术效果。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种闪存存储器的存储性能检测方法流程示意图;
图2为本申请实施例提供的一种闪存存储器的存储性能检测方法中设为待优化性能指标的流程示意图;
图3为本申请实施例提供的一种闪存存储器的存储性能检测方法中获取存储器待优化加工参数的流程示意图;
图4为本申请实施例提供的一种闪存存储器的存储性能检测系统结构示意图。
附图标记说明:检测指标获得模块11,状态值矩阵获得模块12,性能优化指标设定模块13,加工参数获得模块14,优化方案获得模块15,检测结果获得模块16,结果发送模块17。
实施方式
本申请通过提供了一种闪存存储器的存储性能检测方法及系统,用于针对解决现有技术存在闪存存储器的存储性能检测功能单一化,检测周期长和智能化程度低的技术问题。
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述。显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
需要说明的是,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或服务器不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或模块。
实施例
如图1所示,本申请提供了一种闪存存储器的存储性能检测方法,其中,所述方法应用于浮栅型存储器检测模块,包括:
步骤S100:获取存储性能检测指标和存储性能指标阈值;
进一步的,获取存储性能检测指标和存储性能指标阈值,本申请实施例步骤S100还包括:
步骤S110:所述存储性能检测指标包括电存储性能检测指标和光电存储性能检测指标,其中,所述电存储性能检测指标包括电流-电压曲线、电存储转移特性曲线、电荷保持性能和服役寿命中的一个或多个,所述光电存储性能检测指标包括电存储转移特性曲线、FN隧穿机制性能、光响应性能、光辅助擦写性能和光电多值存储性能中的一个或多个;
步骤S120:遍历所述电流-电压曲线、所述电存储转移特性曲线、所述电荷保持性能和所述服役寿命中的一个或多个,和所述电存储转移特性曲线、所述FN隧穿机制性能、所述光响应性能、所述光辅助擦写性能和所述光电多值存储性能中的一个或多个设定所述存储性能指标阈值。
具体而言,随着电子仅可以在两个维度的纳米尺度上进行平面运动的二维材料使用增多,尺寸较小和能耗较低的存储器逐渐被使用。而浮栅型存储器具有集成的工艺较为简单,保持电荷的时间较长的优点,在非易失性存储器中被广泛使用。本申请提供的一种闪存存储器的存储性能检测方法应用于浮栅型存储器检测模块,通过所述浮栅型存储器检测模块对浮栅型存储器进行存储性能的检测。其中,所述浮栅型存储器检测模块是对闪存存储器进行多项存储性能检测的功能模块,优选的,与检测模块通信连接的检测仪器有低温探针台、半导体分析仪和激光光源。通过利用导线和转接头将半导体分析以的SMU接口与导电探针进行连接,并通过通信接口将所述半导体分析仪与浮栅型存储器检测模块进行通信连接,从而将半导体分析仪处理并输出的测试数据输入所述浮栅型存储器检测模块中。从而为分析存储器的性能提供基础分析数据。
具体的,所述存储性能检测指标是对浮栅型存储器的存储性能进行衡量的单位或方法,包括电存储性能检测指标和光电存储性能检测指标。电存储性能是对浮栅型存储器器件本征在电压驱动下完成数据的写入和擦除能力的特性。所述电存储性能检测指标是对浮栅型存储器的电存储性能的能力大小进行衡量的方法,包括电流-电压曲线、电存储转移特性曲线、电荷保持性能和服役寿命中的一个或多个。也就是说,利用所述电存储性能检测指标对浮栅型存储器进行的电存储性能进行衡量时,可以仅仅使用电存储性能检测指标中的一个指标进行衡量,示例性的,利用电流-电压曲线对浮栅型存储器的电存储性能进行检测。也可以使用电存储性能指标中的多个指标进行性能检测,其中,多个指标中的指标数量大于等于1。示例性的,利用电存储转移特性曲线和电荷保持性能对浮栅型存储器的电存储性能进行检测。
具体的,所述电流-电压曲线是对存储器的电流和电压的变化情况进行可视化反映的曲线,为分析存储器中材料的导电性和接触电阻提供依据。所述电存储转移特性曲线是对源漏电流随浮栅电压的变化而变化的程度进行反映的曲线。所述电荷保持性能是对电荷在浮栅中保持时间的长短。所述服役寿命是浮栅型存储器的使用寿命。
具体的,所述光电存储性能是浮栅型存储器对光信号和电信号的存储和释放光子信号的能力特性。所述光电存储性能检测指标是对浮栅型存储器的光电存储性能的能力大小进行衡量的方法,包括电存储转移特性曲线、FN隧穿机制性能、光响应性能、光辅助擦写性能和光电多值存储性能中的一个或多个。换句话说,光电存储性能检测指标在使用时可以单独使用,也可以多个指标同时使用。其中,所述电存储转移特性曲线是对使用激光照射在存储器表面后,不同栅压范围内的转移特征曲线。所述FN隧穿机制性能是电荷在石墨烯和PtS2之间隧穿的能力。所述光响应性能是材料对光照敏感的程度。所述光辅助擦写性能是光照通过促进隧穿来降低器件的擦写电压的能力。所述光电多值存储性能是存储器可以进行多值存储的电压和光功率范围。
具体的,通过根据所述电流-电压曲线、所述电存储转移特性曲线、所述电荷保持性能和所述服役寿命中的一个或多个,和所述电存储转移特性曲线、所述FN隧穿机制性能、所述光响应性能、所述光辅助擦写性能和所述光电多值存储性能中的一个或多个,在检测过程中使用的指标,设定所述存储性能指标阈值。其中,所述存储性能指标阈值是对存储器满足性能要求时各个存储性能指标对应的最低性能指标值进行设定后得到的数值范围,由工作人员自行设定,在此不做限制。
步骤S200:遍历所述存储性能检测指标对闪存存储器进行检测,获取检测指标状态值矩阵;
具体而言,利用所述存储性能检测指标对所述闪存存储器进行性能检测,根据使用的检测指标数量,确定所述检测指标状态值矩阵中的元素个数,矩阵中每一个元素对应一个存储性能检测指标的状态值。所述闪存存储器是进行性能检测的存储器,为浮栅型存储器。所述监测指标状态值矩阵反映了闪存存储器在进行检测时各个指标对应的状态值。
具体的,电流-电压曲线指标的状态值是将闪存存储器置于探针台的腔内,用锡箔纸遮光,使器件置于暗态的环境中,将PtS2两侧的电极与探针连接,然后设置漏极电压为0V,将源极电压从-10mV逐步增加至10mV,增加的步长为0.1mV,进而运行半导体分析仪获得的。所述电存储转移特性曲线对应的指标状态值是通过将存储器边缘处的氧化硅划破,将其与栅级探针相连,进而将PtS2两端分别连接源漏极探针,然后设置源漏偏压为常量,分别为10mV和0V,将栅压作为变量,测试范围从10V依次增加到/>30V,然后将测量的结果设为电存储转移特性曲线。
具体的,所述电荷保持性能对应的指标状态值是通过对栅极施加编写的+20V电压进行擦除,-20V进行写入,等到电荷的隧穿完成后,打开I-T测试模块,撤除栅压同时设置10mV的偏压,对源漏极电流随时间的变化曲线进行测量后,根据曲线获得电荷保持的时间。所述服役寿命对应的指标状态值是通过设置1000个周期性擦写电压,通过观察电流随着时间的周期性变化曲线,将提取读取时得到的高低阻态电流,获得能够保持相对稳定的开关比,则表明该器件具有较长的循环寿命。
具体的,所述电存储转移特性曲线对应的指标状态值是通过将532nm激光照射在样品的表面,利用与暗态下相同的方法测量转移特性曲线,对比暗态和光照下曲线的差异获得的。所述FN隧穿机制性能对应的指标状态值是通过使用机械剥离和定点转移的方法构筑石墨烯/h-BN/PtS2隧穿结器件,测量石墨烯和PtS2间的隧穿电流进行分析后获得的。所述光响应性能对应的指标状态值是通过在暗态下,施加+20V的栅压,使器件达到高电阻状态并在10mV的偏压下测量电流-时间曲线,在一定的时间间隔后,打开532nm激光器,观察器件的电流随时间变化曲线获得的。所述光辅助擦写性能对应的指标状态值是通过先将器件置于暗态环境中,编写擦写程序读取开关比随着栅压幅值的变化情况,然后设置与电脉冲相位相同的光脉冲,对电压幅值和光功率分别对器件开关比的影响程度进行分析后获得的。所述光电多值存储性能对应的指标状态值是利用+30V的栅压将存储器调整到高电阻状态,然后对存储器施加532nm的光照脉冲,对存储器的每种电导状态进行保持性读取,根据读取的数据确定光脉冲数和光功率对多值存储的影响。
步骤S300:提取所述检测指标状态值矩阵不满足所述存储性能指标阈值的性能检测指标,设为待优化性能指标;
进一步的,如图2所示,提取所述检测指标状态值矩阵不满足所述存储性能指标阈值的性能检测指标,设为待优化性能指标,本申请实施例步骤S300还包括:
步骤S310:遍历所述存储性能指标阈值,设定容错偏差区间;
步骤S320:根据所述存储性能指标阈值和所述容错偏差区间,构建指标状态检测矩阵;
步骤S330:将所述检测指标状态值矩阵中不满足所述指标状态检测矩阵的元素,设为所述待优化性能指标。
具体而言,通过利用所述存储性能指标阈值对检测指标状态值进行筛选,提取矩阵中不能够满足指标阈值的性能指标,将其设定为所述待优化性能指标。其中,所述待优化性能指标是对闪存存储器进行性能检测后不能满足要求的指标,需要对指标对应的数值进行优化,从而使闪存存储器的性能能够满足要求。
具体的,以所述存储性能指标阈值的范围大小为依据,设定容错偏差区间的大小。对所述存储性能指标阈值中的每一个指标设定指标在合理范围内的数值偏差值,将数值偏差值设定为所述容错偏差区间。其中,所述容错偏差区间是考虑由于检测器械的精度以及检测人员的操作方式导致测量结果出现的不可避免的偏差范围。
具体的,通过根据所述存储性能指标阈值和所述容错偏差区间,构建所述指标状态检测矩阵中的元素值范围。进而,将所述检测指标状态值矩阵与所述指标状态检测矩阵进行元素比对,获得不能满足矩阵中的元素值范围对应的状态值,将状态值对应的性能指标设定为待优化性能指标。由此,达到了对存储器的性能指标进行筛选降维,提高存储器性能的检测结果的精度和处理效率的技术效果。
步骤S400:根据所述待优化性能指标进行关联度分析,获取存储器待优化加工参数;
进一步的,如图3所示,根据所述待优化性能指标进行关联度分析,获取存储器待优化加工参数,本申请实施例步骤S400还包括:
步骤S410:根据所述待优化性能指标进行一级关联度分析,获取存储器待优化元件;
步骤S420:根据所述存储器待优化元件,获取待优化元件加工参数;
步骤S430:根据所述待优化性能指标对所述待优化元件加工参数进行二级关联度分析,获取所述存储器待优化加工参数。
具体而言,根据所述待优化性能指标进行一级关联度分析,是通过以存储器元件为自变量,以待优化性能指标为因变量,通过利用所述关联度分析函数对性能指标和存储器元件之间的关联程度进行分析。获取一级关联度分析结果大于或等于一级关联度阈值时,对应的存储器元件设定为所述存储器待优化元件。
具体的,所述存储器待优化元件是组成所述闪存存储器的元件中与存储器不能满足性能要求的指标有关的元件,元件的加工质量不能满足要求,导致元件的性能不符合要求。所述待优化元件加工参数是待优化元件生产加工过程中各个工艺的参数,包括元件长度、元件宽度、焊接参数、球磨速度等加工参数。进而,以所述待优化性能指标对所述待优化元件加工参数对应的关联程度进行二级关联度分析,从而对加工参数进行降维分析,获得所述存储器待优化加工参数。其中,所述存储器待优化加工参数是需要进行参数调整,从而使存储器的元件性能符合要求的参数。通过以待优化元件加工参数为自变量,以待优化性能指标为因变量,进行二级关联度分析,将关联度较高的加工参数确定为所述存储器待优化加工参数。
进一步的,根据所述待优化性能指标对所述待优化元件加工参数进行二级关联度分析,获取所述存储器待优化加工参数,本申请实施例步骤S430还包括:
步骤S431:以任意一个所述待优化元件加工参数为自变量,以所述待优化性能指标为因变量,采集存储器加工记录数据;
步骤S432:获取关联度分析函数:
其中,表征第一关联系数,/>表征第二关联系数,/>表征关联度,/>表征任意一个待优化元件加工参数,/>表征待优化性能指标,/>表征第i对存储器加工记录数据的/>变化量,/>表征第i对存储器加工记录数据的/>变化量,/>表征存储器加工记录数据的总对数;
步骤S433:根据所述存储器加工记录数据,基于所述关联度分析函数进行关联度评估,获取二级关联度分析结果;
步骤S434:当所述二级关联度分析结果大于或等于二级关联度阈值时,将所述待优化元件加工参数添加进所述存储器待优化加工参数。
具体而言,所述存储器加工记录数据是在存储器元件进行生产加工的过程中的生产数据,包括加工时间、加工量、加工设备参数等数据。所述关联度分析函数是用于对自变量和因变量之间的关联关系进行量化分析的函数。通过所述关联度分析函数可以对待优化元件加工参数和待优化性能指标之间的关联程度进行量化分析的函数,通过函数计算获得关联度。
具体的,根据所述存储器加工记录数据可以分别获得待优化元件加工参数的x变化量和存储器加工记录数据的y变化量。通过将所述存储器加工记录数据中的数据值输入所述关联度分析函数中进行关联度分析,从而获得所述二级关联度分析结果。所述二级关联度阈值是待优化元件加工参数与待优化性能指标之间的关联关系符合关联要求的最低关联度值。以所述二级关联度阈值对二级关联度分析结果进行筛选,从而将符合要求的二级关联度分析结果对应的待优化元件加工参数添加进所述存储器待优化加工参数中。由此,达到了确定与存储器未达标性能相关的加工参数,能够准确确定影响性能检测结果的参数,从而为提高存储器性能提供可靠依据的技术效果。
步骤S500:根据所述待优化性能指标对所述存储器待优化加工参数进行优化设计,获取存储器优化方案;
进一步的,根据所述待优化性能指标对所述存储器待优化加工参数进行优化设计,获取存储器优化方案,本申请实施例步骤S500还包括:
步骤S510:以所述存储器待优化加工参数为自变量组,以所述待优化性能指标为因变量,采集存储器加工粒子群;
步骤S520:构建优化适应度函数;
步骤S530:基于所述存储器加工粒子群和所述优化适应度函数,构建粒子群优化空间;
步骤S540:基于所述粒子群优化空间迭代预测次数,输出所述存储器优化方案。
进一步的,构建优化适应度函数,本申请实施例步骤S520还包括:
步骤S521:获取适应度函数评价指标,其中,所述适应度函数评价指标包括粒子选用频率和指标状态偏离度;
步骤S522:为所述粒子选用频率设定第一权重,为所述指标状态偏离度设定第二权重;
步骤S523:根据所述第一权重和所述第二权重,对所述粒子选用频率和所述指标状态偏离度进行赋权,构建所述优化适应度函数。
具体而言,以所述待优化性能指标为优化设计的目标,换句话说,通过对存储器待优化加工参数进行优化设计,使所述待优化性能指标中可以满足存储器的性能要求。通过以所述存储器待优化加工参数为自变量组,以所述待优化性能指标为因变量,也就是说存储器待优化加工参数的变化可以使待优化性能指标发生变化。所述存储器加工粒子群是存储器在进行生产加工时选用的待优化加工参数可以选择的参数范围。所述优化适应度函数是对待优化加工参数对于指标状态的贡献程度进行量化计算,确定待优化加工参数的取值获得指标状态情况。
具体的,在构建所述优化适应度函数的过程中,首先通过获取适应度函数评价指标,对加工参数的取值对指标状态的影响程度进行确定。所述粒子选用频率是存储器加工粒子群中加工参数单位时间内被选用的次数。所述指标状态偏离度是通过选用存储器加工粒子群中的加工参数,使存储器的性能指标与满足要求的性能指标之间的偏差程度。
具体的,将所述粒子选用频率设定为第一权重,将所述指标状态偏离度设定为第二权重,也就是说将粒子选用频率和指标状态偏离度设定对加工参数对性能指标影响程度的两个评价因素。第一权重和第二权重的权重值设定由工作人员自行设定,在此不做限制。通过根据所述第一权重和所述第二权重,对所述粒子选用频率和指标状态偏离度进行权重赋值,根据赋值结果获得所述优化适应度函数。
具体的,通过以所述存储器加工粒子群基础,以所述优化适应度函数为参数评价函数,构建所述粒子群优化空间。其中,所述粒子群优化空间是对所述存储器待优化加工参数进行优化设计的范围。通过将存储器待优化加工参数输入所述粒子群优化空间中,通过粒子群优化空间中的存储器加工粒子群对加工参数不断进行优化迭代,并根据优化适应度函数对优化加工参数进行评价,直至输出符合要求的存储器优化加工参数。将符合要求的存储器优化加工参数作为所述存储器优化方案。达到了对闪存存储器的存储性能进行智能化检测,并对检测出的不符合要求的指标进行优化方案的输出,提高存储器质量的技效果。
步骤S600:将所述待优化性能指标和所述存储器优化方案添加进存储性能检测结果;
步骤S700:将所述存储性能检测结果发送至浮栅型存储器生产管理终端。
具体而言,通过将所述待优化性能指标和所述存储器优化方案作为对闪存存储器进行性能检测后的检测结果,即所述存储性能检测结果。并将所述存储性能检测结果发送至浮栅型存储器生产管理终端中,为存储器的生产质量管理提供可靠管理依据。
综上所述,本申请实施例至少具有如下技术效果:
本申请通过对存储器的性能检测指标和各个指标对应的符合标准的范围进行获取,并以性能检测指标为依据,对闪存存储器进行逐项指标检测,根据检测结果获得对应的检测指标状态值矩阵,通过对指标状态值进行指标筛选,将不满足指标阈值的性能检测指标设定为待优化性能指标,通过对待优化性能指标与存储器元件之间的关联度进行一级关联度分析,并根据待优化性能指标与待优化元件的加工参数进行二级关联度分析,从而获得存储器待优化加工参数,通过以所述待优化性能指标为依据,对所述存储器待优化加工参数进行优化设计,从而得到对存储器的加工参数进行优化的具体方案,通过将存储性能检测结果发送给管理终端,达到了对闪存存储器的存储性能进行智能化检测,并根据检测结果对存储器的生产管理提供可靠依据,提高存储器的生产质量的技术效果。
实施例
基于与前述实施例中一种闪存存储器的存储性能检测方法相同的发明构思,如图4所示,本申请提供了一种闪存存储器的存储性能检测系统,本申请实施例中的系统与方法实施例基于同样的发明构思。其中,所述系统包括:
检测指标获得模块11,所述检测指标获得模块11用于获取存储性能检测指标和存储性能指标阈值;
状态值矩阵获得模块12,所述状态值矩阵获得模块12用于遍历所述存储性能检测指标对闪存存储器进行检测,获取检测指标状态值矩阵;
性能优化指标设定模块13,所述性能优化设定模块13用于提取所述检测指标状态值矩阵不满足所述存储性能指标阈值的性能检测指标,设为待优化性能指标;
加工参数获得模块14,所述加工参数获得模块14用于根据所述待优化性能指标进行关联度分析,获取存储器待优化加工参数;
优化方案获得模块15,所述优化方案获得模块15用于根据所述待优化性能指标对所述存储器待优化加工参数进行优化设计,获取存储器优化方案;
检测结果获得模块16,所述检测结果获得模块16用于将所述待优化性能指标和所述存储器优化方案添加进存储性能检测结果;
结果发送模块17,所述结果发送模块17用于将所述存储性能检测结果发送至浮栅型存储器生产管理终端。
进一步的,所述系统还包括:
光电性能指标设定单元,所述光电性能指标设定单元用于设定所述存储性能检测指标包括电存储性能检测指标和光电存储性能检测指标,其中,所述电存储性能检测指标包括电流-电压曲线、电存储转移特性曲线、电荷保持性能和服役寿命中的一个或多个,所述光电存储性能检测指标包括电存储转移特性曲线、FN隧穿机制性能、光响应性能、光辅助擦写性能和光电多值存储性能中的一个或多个;
存储指标阈值设定单元,所述存储指标阈值设定单元用于遍历所述电流-电压曲线、所述电存储转移特性曲线、所述电荷保持性能和所述服役寿命中的一个或多个,和所述电存储转移特性曲线、所述FN隧穿机制性能、所述光响应性能、所述光辅助擦写性能和所述光电多值存储性能中的一个或多个设定所述存储性能指标阈值。
进一步的,所述系统还包括:
偏差区间设定单元,所述偏差区间设定单元用于遍历所述存储性能指标阈值,设定容错偏差区间;
检测矩阵构建单元,所述检测矩阵构建单元用于根据所述存储性能指标阈值和所述容错偏差区间,构建指标状态检测矩阵;
待优化指标设定单元,所述待优化指标设定单元用于将所述检测指标状态值矩阵中不满足所述指标状态检测矩阵的元素,设为所述待优化性能指标。
进一步的,所述系统还包括:
待优化元件获得单元,所述待优化元件获得单元用于根据所述待优化性能指标进行一级关联度分析,获取存储器待优化元件;
加工参数获得单元,所述加工参数获得单元用于根据所述存储器待优化元件,获取待优化元件加工参数;
待优化加工参数获得单元,所述待优化加工参数获得单元用于根据所述待优化性能指标对所述待优化元件加工参数进行二级关联度分析,获取所述存储器待优化加工参数。
进一步的,所述系统还包括:
加工记录数据采集单元,所述加工记录数据采集单元用于以任意一个所述待优化元件加工参数为自变量,以所述待优化性能指标为因变量,采集存储器加工记录数据;
分析函数获得单元,所述分析函数获得单元用于获取关联度分析函数:
其中,表征第一关联系数,/>表征第二关联系数,/>表征关联度,/>表征任意一个待优化元件加工参数,/>表征待优化性能指标,/>表征第i对存储器加工记录数据的/>变化量,/>表征第i对存储器加工记录数据的/>变化量,/>表征存储器加工记录数据的总对数;
关联度评估单元,所述关联度评估单元用于根据所述存储器加工记录数据,基于所述关联度分析函数进行关联度评估,获取二级关联度分析结果;
加工参数添加单元,所述加工参数添加单元用于当所述二级关联度分析结果大于或等于二级关联度阈值时,将所述待优化元件加工参数添加进所述存储器待优化加工参数。
进一步的,所述系统还包括:
粒子群采集单元,所述粒子群采集单元用于以所述存储器待优化加工参数为自变量组,以所述待优化性能指标为因变量,采集存储器加工粒子群;
适应度函数构建单元,所述适应度函数构建单元用于构建优化适应度函数;
优化空间构建单元,所述优化空间构建单元用于基于所述存储器加工粒子群和所述优化适应度函数,构建粒子群优化空间;
优化方案输出单元,所述优化方案输出单元用于基于所述粒子群优化空间迭代预测次数,输出所述存储器优化方案。
进一步的,所述系统还包括:
评价指标获取单元,所述评价指标获取单元用于获取适应度函数评价指标,其中,所述适应度函数评价指标包括粒子选用频率和指标状态偏离度;
第二权重设定单元,所述第二权重设定单元用于为所述粒子选用频率设定第一权重,为所述指标状态偏离度设定第二权重;
偏离度赋权单元,所述偏离度赋权单元用于根据所述第一权重和所述第二权重,对所述粒子选用频率和所述指标状态偏离度进行赋权,构建所述优化适应度函数。
需要说明的是,上述本申请实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
以上所述仅为本申请的较佳实施例,并不用以限制本申请,凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
本说明书和附图仅仅是本申请的示例性说明,且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样,倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内,则本申请意图包括这些改动和变型在内。
Claims (6)
1.一种闪存存储器的存储性能检测方法,其特征在于,应用于浮栅型存储器检测模块,包括:
获取存储性能检测指标和存储性能指标阈值;
遍历所述存储性能检测指标对闪存存储器进行检测,获取检测指标状态值矩阵;
提取所述检测指标状态值矩阵不满足所述存储性能指标阈值的性能检测指标,设为待优化性能指标;
根据所述待优化性能指标进行关联度分析,获取存储器待优化加工参数;
根据所述待优化性能指标对所述存储器待优化加工参数进行优化设计,获取存储器优化方案;
将所述待优化性能指标和所述存储器优化方案添加进存储性能检测结果;
将所述存储性能检测结果发送至浮栅型存储器生产管理终端;
其中,根据所述待优化性能指标对所述存储器待优化加工参数进行优化设计,获取存储器优化方案,包括:
以所述存储器待优化加工参数为自变量组,以所述待优化性能指标为因变量,采集存储器加工粒子群;
构建优化适应度函数;
基于所述存储器加工粒子群和所述优化适应度函数,构建粒子群优化空间;
基于所述粒子群优化空间迭代预测次数,输出所述存储器优化方案;
所述构建优化适应度函数,包括:
获取适应度函数评价指标,其中,所述适应度函数评价指标包括粒子选用频率和指标状态偏离度;
为所述粒子选用频率设定第一权重,为所述指标状态偏离度设定第二权重;
根据所述第一权重和所述第二权重,对所述粒子选用频率和所述指标状态偏离度进行赋权,构建所述优化适应度函数。
2.如权利要求1所述的一种闪存存储器的存储性能检测方法,其特征在于,获取存储性能检测指标和存储性能指标阈值,包括:
所述存储性能检测指标包括电存储性能检测指标和光电存储性能检测指标,其中,所述电存储性能检测指标包括电流-电压曲线、电存储转移特性曲线、电荷保持性能和服役寿命中的一个或多个,所述光电存储性能检测指标包括光电存储转移特性曲线、FN隧穿机制性能、光响应性能、光辅助擦写性能和光电多值存储性能中的一个或多个;
遍历所述电流-电压曲线、所述电存储转移特性曲线、所述电荷保持性能和所述服役寿命中的一个或多个,和所述光电存储转移特性曲线、所述FN隧穿机制性能、所述光响应性能、所述光辅助擦写性能和所述光电多值存储性能中的一个或多个设定所述存储性能指标阈值。
3.如权利要求1所述的一种闪存存储器的存储性能检测方法,其特征在于,提取所述检测指标状态值矩阵不满足所述存储性能指标阈值的性能检测指标,设为待优化性能指标,包括:
遍历所述存储性能指标阈值,设定容错偏差区间;
根据所述存储性能指标阈值和所述容错偏差区间,构建指标状态检测矩阵;
将所述检测指标状态值矩阵中不满足所述指标状态检测矩阵的元素,设为所述待优化性能指标。
4.如权利要求1所述的一种闪存存储器的存储性能检测方法,其特征在于,根据所述待优化性能指标进行关联度分析,获取存储器待优化加工参数,包括:
根据所述待优化性能指标进行一级关联度分析,获取存储器待优化元件;
根据所述存储器待优化元件,获取待优化元件加工参数;
根据所述待优化性能指标对所述待优化元件加工参数进行二级关联度分析,获取所述存储器待优化加工参数。
5.如权利要求4所述的一种闪存存储器的存储性能检测方法,其特征在于,根据所述待优化性能指标对所述待优化元件加工参数进行二级关联度分析,获取所述存储器待优化加工参数,包括:
以任意一个所述待优化元件加工参数为自变量,以所述待优化性能指标为因变量,采集存储器加工记录数据;
获取关联度分析函数:
,
,
,
其中,表征第一关联系数,/>表征第二关联系数,/>表征关联度,表征任意一个待优化元件加工参数,/>表征待优化性能指标,/>表征第i对存储器加工记录数据的/>变化量,/>表征第i对存储器加工记录数据的/>变化量,/>表征存储器加工记录数据的总对数;
根据所述存储器加工记录数据,基于所述关联度分析函数进行关联度评估,获取二级关联度分析结果;
当所述二级关联度分析结果大于或等于二级关联度阈值时,将所述待优化元件加工参数添加进所述存储器待优化加工参数。
6.一种闪存存储器的存储性能检测系统,其特征在于,包括:
检测指标获得模块,所述检测指标获得模块用于获取存储性能检测指标和存储性能指标阈值;
状态值矩阵获得模块,所述状态值矩阵获得模块用于遍历所述存储性能检测指标对闪存存储器进行检测,获取检测指标状态值矩阵;
性能优化指标设定模块,所述性能优化指标设定模块用于提取所述检测指标状态值矩阵不满足所述存储性能指标阈值的性能检测指标,设为待优化性能指标;
加工参数获得模块,所述加工参数获得模块用于根据所述待优化性能指标进行关联度分析,获取存储器待优化加工参数;
优化方案获得模块,所述优化方案获得模块用于根据所述待优化性能指标对所述存储器待优化加工参数进行优化设计,获取存储器优化方案;
检测结果获得模块,所述检测结果获得模块用于将所述待优化性能指标和所述存储器优化方案添加进存储性能检测结果;
结果发送模块,所述结果发送模块用于将所述存储性能检测结果发送至浮栅型存储器生产管理终端;
所述优化方案获得模块,还包括:
粒子群采集单元,所述粒子群采集单元用于以所述存储器待优化加工参数为自变量组,以所述待优化性能指标为因变量,采集存储器加工粒子群;
适应度函数构建单元,所述适应度函数构建单元用于构建优化适应度函数;
优化空间构建单元,所述优化空间构建单元用于基于所述存储器加工粒子群和所述优化适应度函数,构建粒子群优化空间;
优化方案输出单元,所述优化方案输出单元用于基于所述粒子群优化空间迭代预测次数,输出所述存储器优化方案;
评价指标获取单元,所述评价指标获取单元用于获取适应度函数评价指标,其中,所述适应度函数评价指标包括粒子选用频率和指标状态偏离度;
第二权重设定单元,所述第二权重设定单元用于为所述粒子选用频率设定第一权重,为所述指标状态偏离度设定第二权重;
偏离度赋权单元,所述偏离度赋权单元用于根据所述第一权重和所述第二权重,对所述粒子选用频率和所述指标状态偏离度进行赋权,构建所述优化适应度函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310905414.8A CN116631488B (zh) | 2023-07-24 | 2023-07-24 | 一种闪存存储器的存储性能检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310905414.8A CN116631488B (zh) | 2023-07-24 | 2023-07-24 | 一种闪存存储器的存储性能检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116631488A CN116631488A (zh) | 2023-08-22 |
CN116631488B true CN116631488B (zh) | 2023-11-14 |
Family
ID=87621637
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310905414.8A Active CN116631488B (zh) | 2023-07-24 | 2023-07-24 | 一种闪存存储器的存储性能检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116631488B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116165988A (zh) * | 2023-04-24 | 2023-05-26 | 格拉默汽车内饰部件(北京)有限公司 | 一种汽车中控台的生产质量管控方法及系统 |
CN116305671A (zh) * | 2023-05-23 | 2023-06-23 | 山东伟国板业科技有限公司 | 一种人造板的生产线监测方法及系统 |
CN116384307A (zh) * | 2023-02-27 | 2023-07-04 | 华南理工大学 | 闪存器件的测试分析方法 |
-
2023
- 2023-07-24 CN CN202310905414.8A patent/CN116631488B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116384307A (zh) * | 2023-02-27 | 2023-07-04 | 华南理工大学 | 闪存器件的测试分析方法 |
CN116165988A (zh) * | 2023-04-24 | 2023-05-26 | 格拉默汽车内饰部件(北京)有限公司 | 一种汽车中控台的生产质量管控方法及系统 |
CN116305671A (zh) * | 2023-05-23 | 2023-06-23 | 山东伟国板业科技有限公司 | 一种人造板的生产线监测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116631488A (zh) | 2023-08-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wu et al. | Parameter extraction of photovoltaic models from measured IV characteristics curves using a hybrid trust-region reflective algorithm | |
Frizzo Stefenon et al. | Fault diagnosis of insulators from ultrasound detection using neural networks | |
CN111505519B (zh) | 一种基于声学测量的锂离子电池循环寿命预测方法 | |
CN102290106A (zh) | 一种相变存储单元阵列的测试装置 | |
CN115587527A (zh) | 电池寿命预测方法、系统、终端设备及计算机可读介质 | |
Nuroldayeva et al. | State of Health Estimation Methods for Lithium‐Ion Batteries | |
CN112345598A (zh) | 用于输变电设备故障气体检测的微纳传感设备 | |
CN116631488B (zh) | 一种闪存存储器的存储性能检测方法及系统 | |
CN115905904A (zh) | 一种配电网馈线的线损异常评估方法及装置 | |
Bandara et al. | Structural health assessment of timber utility poles using stress wave propagation and artificial neural network techniques | |
Zhu et al. | Photovoltaic failure diagnosis using sequential probabilistic neural network model | |
CN117669394A (zh) | 一种山区峡谷桥梁长期性能综合评估方法及系统 | |
CN116929438B (zh) | 传感器的性能测试方法及装置 | |
CN111678991A (zh) | 一种用于混凝土结构无损检测损伤识别的方法 | |
CN116865672A (zh) | 光伏组件异常识别方法及装置、计算机可读储存介质 | |
CN106849873B (zh) | 太阳能电池抗辐照能力无损检验方法及装置 | |
Hauhs et al. | Ecosystem dynamics viewed from an endoperspective | |
CN111948507A (zh) | 一种不同写操作下相变存储芯片热稳定性预测方法 | |
CN114186586A (zh) | 基于二维卷积神经网络的损伤识别方法及设备 | |
CN114186624A (zh) | 基于二维卷积神经网络的损伤识别模型建立方法及设备 | |
CN108597558B (zh) | 优选相变存储器写操作电流的系统及方法 | |
CN117406007B (zh) | 一种充电桩充电数据检测方法及系统 | |
CN104989387A (zh) | 井下岩石电参数测量用传感器探头 | |
CN116500456B (zh) | 一种基于机器学习的三元锂电池容量检测方法 | |
CN103117094B (zh) | 闪存的测试方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |