基于深度神经网络预测MLC闪存电压阈值的自适应方法与流程

本发明涉及存储技术领域，具体涉及一种基于深度神经网络预测mlc闪存电压阈值的自适应方法。

背景技术

随着手机、计算机及其他消费电子产品的广泛应用，传统的存储技术已经不能适用于当前高集成度低功耗快速集成电路技术的发展。闪存(flashmemory)与dram、sram等存储介质相比较，其存储密度更大、单位成本更低、高读写访问速度，而且具有非易失性、抗震性、功耗低等特点。

由于半导体器件尺寸的不断缩小和多层式存储(multi-levelcell，mlc)高密度技术的使用，存储中的噪声造成的影响不断增大，急需解决nand闪存所面临的可靠性降低、读写时延加长等主要问题。存储的可靠性是mlc闪存的一个关键技术指标。高密度使存储的可靠性降低，表现为较低的p/e循环耐久性，较短的数据保持。

机器学习是人工智能领域的一个重要学科。自从20世纪80年代以来,机器学习在算法、理论和应用等方面都获得巨大成功。2006年以来，机器学习领域中一个叫“深度学习”的课题开始受到学术界广泛关注，到今天已经成为互联网大数据和人工智能的一个热潮。深度学习通过建立类似于人脑的分层模型结构，对输入数据逐级提取从底层到高层的特征，从而能很好地建立从底层信号到高层语义的映射关系。

传统的闪存只针对不同的p/e次数进行阈值电压的优化，而对于数据保留时间(dataretentiontime)则无法进行进一步处理。其主要原因是，数据保留时间无法直接获取，就无法针对不同的数据保留时间来设计合适的阈值电压。

技术实现要素：

发明目的：为了克服现有技术中存在的不足，通过深度神经网络对存储信道特征值的学习，提供一种基于深度神经网络预测mlc闪存电压阈值的自适应方法，通过建立当前存储电压的分布与其分布对应的较优电压阈值的关系，从而实现优化不同数据保留时间的电压阈值优化。

技术方案：为实现上述目的，本发明提供一种基于深度神经网络预测mlc闪存电压阈值的自适应方法，包括如下步骤：

1)获取当前合适的电压阈值vi(6×1)；

2)估计存储电压分布的特征向量值xi，特征向量长度为特征值的个数；

3)利用深度神经网络建立存储电压分布的特征向量值与电压阈值的关系。网络的输入为xi，网络的输出为预测电压阈值vei。在此，若将整个网络结构视为一个函数f，其参数为φ，那么我们通过深度神经网络学习的方法，将解决数据保留噪声问题转换为学习电压阈值的问题，预测电压阈值vei＝f(xi)。在网络学习过程中，我们根据最小均方差，对网络进行逆向传播。其误差函数为：

在训练过程中，我们改变p/e以及数据保留时间以获得不同的电压信息xi和vi，从而训练出最优的φ作为我们的神经网络参数。通过大量线下的数据训练，完善我们的神经网络，并将训练好的网络权重保存下来；

4)对mlc闪存进行一次译码，若译码成功，则进入下一次译码。若译码失败，则调用训练好的深度神经网络对当前的存储噪声数据进行一次估计，获取存储电压的分布特征值；

5)将存储数据的特征值输入到神经网络的输入端，获取神经网络估计的电压阈值；

6)利用存储数据的特征值和预测的电压阈值，建立高斯模型，从而获取新的llr信息；

7)将获取的预测电压阈值和新的llr信息输入译码器当中，重新进行一次译码。

本发明的设计原理为：在闪存中，随着数据保存时间的增长以及存储编写/擦除(program/erase，p/e)的增加，存储电压的分布会发生改变，这会导致译码器译码失败，从而需要提高存储的读取精度以获取更准确的似然比信息(log-likelihood-ratio，llr)。提高存储的读取精度，带来大量的存储时延，这就需要我们提出一种有效的方法去进行信道估计。传统的方法不能很好地解决这个问题，其主要原因是无法获取存储的数据保留时间，无法估计出准确的电压分布，进行软判决电压阈值的更新。因此，在旧的软判决电压阈值出现大量译码失败的情况下，我们可以通过神经网络对信道模型进行学习，重新获取合适的软判决阈值电压。这样，更可靠的似然比信息能帮助译码器进行更准确的译码。

有益效果：本发明与现有技术相比，具备如下优点：

1、本发明首次使用深度神经网络针对存储中存在的问题进行分析，利用深度神经网络对存储信道的电压分布特性进行学习并估计合适的电压阈值，根据电压阈值计算出新的似然比信息；

2、本发明提出的基于深度神经网络预测mlc闪存电压阈值的自适应设计方案，只在译码算法译码失败的情况下才调用神经网络进行电压阈值更新并计算llr值，从而降低系统时延。

附图说明

图1是本发明的mlc存储系统噪声说明图；

图2是本发明的深度神经网络结构图；

图3是本发明的流程图。

具体实施方式

下面结合附图和具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。

在闪存中，随着数据保存时间的增长以及存储编写/擦除(program/erase，p/e)的增加，存储电压的分布会发生改变，这会导致译码器译码失败，从而需要提高存储的读取精度以获取更准确的似然比信息(log-likelihood-ratio，llr)。提高存储的读取精度，带来大量的存储时延，这就需要我们提出一种有效的方法去进行信道估计。

如图1所示，数据保存时间的增长使存储电压的分布左移，软判决电压阈值已经不再适用于新的电压分布了。传统的方法不能很好地解决这个问题，其主要原因是无法获取存储的数据保留时间，无法估计出准确的电压分布，进行软判决电压阈值的更新。因此，在旧的软判决电压阈值出现大量译码失败的情况下，我们可以通过神经网络对信道模型进行学习，重新获取合适的软判决阈值电压。这样，更可靠的似然比信息能帮助译码器进行更准确的译码。

如图3所示，本发明提供一种基于深度神经网络预测mlc闪存电压阈值的自适应方法，包括如下步骤：

1)利用已知的存储电分布产生不同p/e和不同数据保留时间(t)存储数据，根据存储不同状态之间的互信息最大来获取当前合适的电压阈值；

2)利用高斯分布对不同p/e和不同t的存储电压分布进行近似操作，从而估计存储电压分布的特征值，其具体为：

电压分布的估计：为获取存储信道的特征值，首先对信道进行了简化，用高斯分布对信道进行近似拟合。由于存储的内容是随机的，所以存储每个状态都是等概率。将读取的电压数据d(n×1)按着从大到小，均匀分为4个部分。当n足够大时，我们可以认为4个数据分布就对应着每个电压状态所产生的数据。据此，可以获得4个状态的均值μ和方差σ，作为网络的输入。

3)利用深度神经网络建立存储电压分布的特征值与电压阈值的关系。通过大量存储电压的分布特征值作为训练输入，训练输出结果作为预测的电压阈值，将预测的电压阈值与最大互信息计算的电压阈值求最小均方差，作为深度神经网络的误差函数(costfunction)，从而进行一次训练，具体如图2所示，将训练好的网络权重保存下来；

4)对mlc闪存进行一次译码，若译码成功，则进入下一次译码。若译码失败，则调用训练好的深度神经网络对当前的存储噪声数据进行一次估计，获取存储电压的分布特征值；

5)将存储数据的特征值输入到神经网络的输入端，获取神经网络估计的电压阈值；

6)利用存储数据的特征值和预测的电压阈值，建立高斯模型，从而获取新的llr信息，其具体为：

似然比信息的获取：在获取预测门限阈值vei和4个高斯分布估计函数后，根据下面的公式，我们可以获取似然比信息。其中，fk(x)为第k个状态的概率分布函数，α为该电压所在区域。

7)将获取的预测电压阈值和新的llr信息输入译码器当中，重新进行一次译码。