[發明專利]一種基于機器學習的LDPC閃存糾錯方法

有效

• 申請號: 201910808900.1
• 申請日: 2019-08-29
• 公開（公告）號: CN110515760B
• 公開（公告）日: 2023-05-02
• 發明（設計）人: 余藝;馮志華;萬星;安東博;王欣偉;梁書銘;羅重
• 申請（專利權）人: 北京計算機技術及應用研究所
• 主分類號: G06F11/10
• 分類號: G06F11/10;G11C29/42;G06F18/2415;G06N3/044;G06N3/047;G06N3/0475;G06N3/084
• 代理公司: 中國兵器工業集團公司專利中心 11011
• 代理人: 張然

1.一種基于機器學習的閃存LDPC糾錯方法，其特征在于，包括以下步驟：

對受擾后的編碼數據根據存儲狀態之間設置的參考電壓進行硬判決得到初始譯碼序列X,X左乘奇偶校驗矩陣H，統計每個信息節點所對應的校驗方程中被標記的最大翻轉數，最大翻轉數所對應的信息位發生取反，達到最大迭代數；

對達到迭代次數硬解碼失敗的碼字傳入AI引擎，通過預訓練好的神經網絡模型根據輸入的數據集，選擇參考電壓和查詢讀補償的校準表獲得讀電壓；

讀電壓每次讀取都會取回與等著被糾錯的數據相關的元數據，把讀出的0或1的序列Y輸入到預訓練好的AI引擎，加載對數似然比表給AI引擎，把信息節點和校驗節點間置信概率的更新迭代通過設置神經網絡傳遞函數進行訓練和學習,按照最大后驗概率譯碼準則來對接受到的序列Y作出判決；

其中，

對神經網絡模型的機器學習所倚賴的神經網絡自學習能力，在真實NAND?Flash顆粒上采集數據進行預學習，構建深度學習網絡模型進行預訓練，深度置信網絡DBN模型建立正向傳播模型，通過神經網絡中反向傳播算法BP算法建立誤差反向傳播模型，調整神經元間的權值參數，根據數據特征劃分出多種應用場景，不同場景采用相應的參考電壓去重讀；

讀補償為通過神經網絡預訓練的數據集，獲得不同擦除次數P/ECycles、Retention時間以及讀次數下的校準表，當錯誤出現的時候查詢塊的狀態獲得讀電壓值；

對重讀后獲得的元數據使映射成LDPC解碼軟數據，結合閃存塊中采集的P\E?cycle、駐留時間以及溫度數據，結合讀補償得到的后驗概率軟信息，預訓練神經網絡并使信息節點和校驗節點的軟信息迭代根據具體場景固化成不同的表達式，在軟解碼時對重讀后的數據直接輸出迭代結果的對數似然比；

軟信息傳入神經網絡預訓練，先轉換為對數似然比進行迭代計算，在對數域對概率信息進行計算，將原本的乘法運算轉化為加法運算，對數似然比xi表示寫入閃存的數據，yi表示讀出的數據，而P表示讀出數據的條件概率，若初次判斷寫入數據為0的概率更大，則對數似然比為正，反之為負，對數似然比LLR的絕對值反映了判斷結果的可靠性，絕對值越大判決狀態越明確，可靠性越高。

2.根據權利要求1所述的基于機器學習的閃存LDPC糾錯方法，其特征在于，控制器發出讀、寫和擦除信號，控制器發出寫命令開始編碼，控制器發出讀命令開始LDPC硬解碼。

3.根據權利要求1所述的基于機器學習的閃存LDPC糾錯方法，其特征在于，在二進制白噪聲信道中，編碼碼字序列X＝(x₁,x₂…x_n)經過二進制相移鍵控調制得到序列R＝(r₁,r₂…r_n)，設r_i＝1-2x_i是第i個發送的二進制信號，當x_i＝0或1的時候，r_i＝+1或-1，則調制后第i個接受信號為tx_i＝r_i+n_i，n_i是均值為0，方差為σ²的高斯白噪聲，則有后驗概率：

P(r＝r_i|y_i)＝[1+exp(-2y_ir_i/σ²)]^-1r_i＝1或-1。

4.如權利要求1所述的基于機器學習的閃存LDPC糾錯方法，其特征在于，還包括：控制器發出寫命令，原始信息生成m個冗余位，將冗余位加在原有數據位后面得到編碼后的數據X＝(x1,x2…xn)經BPSK調制保存到Flash中，根據校驗矩陣Hmn中1的位置建立Tanner圖，確定變量節點和校驗節點的連接關系。

5.如權利要求1所述的基于機器學習的閃存LDPC糾錯方法，其特征在于，真實NANDFlash顆粒上采集的數據包括：P/E?Cycles、Retention時間、讀次數以及物理塊溫度。