[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

本發明涉及一種基于機器學習的閃存LDPC糾錯方法，其中，包括：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，統計每個信息節點所對應的校驗方程中被標記為最大翻轉數；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，選擇最優的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。

技術領域

本發明涉及存儲技術領域，具體的說，是一種運用機器學習的LDPC碼閃存糾錯方法。

背景技術

近年來，隨著閃存技術的飛速發展，閃速存儲器(Flash?Memory)的憑借其高性能、非易失性(Non-Volatility)、能耗低、抗震動、存儲容量高等優點，迅速在嵌入式系統中得到大量應用，成為主流的大容量高性能存儲技術。隨著閃存的存儲密度大幅度增加，閃存在讀寫過程中中會不可避免地受到各種干擾而產生誤碼，Flash面臨嚴峻的可靠性退化問題，導致誤碼率急劇升高，尤其是3D?MLC、TLC的大規模應用，現有的主流糾錯方案低密度奇偶校驗碼(Low?Density-Parity-Check?Code,LDPC)架構越來越難以滿足NAND閃存的糾錯需求。LDPC采用的是概率糾錯的方式，根據存的數據，最后讀出來能夠分析出數據的準確度到底有多大來確定。

當下，深度學習正在取得重大進展，深度學習擅長學習高維數據中的復雜結構，在有噪聲干擾的環境中能夠自動調節參數來適應環境帶來的不同需求。用于閃存的LDPC糾錯碼的經典算法——和積信息傳播算法，是貝葉斯網絡、馬爾科夫隨機場等概率圖模型中用于推斷的一種信息傳遞算法，跟人工智能技術有著天然的聯系。BP神經網絡具備處理線性不可分問題的能力，廣泛應用于分類識別、逼近、回歸、壓縮等領域，它包含多個隱含層網絡，采用誤差反向傳播算法進行學習，沿著減少誤差的方向從輸出層經過中間各層逐層向前修正網絡的連接權值。

發明內容

本發明涉及一種基于機器學習的LDPC閃存糾錯方法，用于解決上述現有技術的問題。

本發明一種基于機器學習的閃存LDPC糾錯方法，其中，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為最大翻轉數，最大翻轉數所對應的信息位發生取反，達到最大迭代數或H*X^T＝0止；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，選擇最優的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。

根據本發明的基于機器學習的閃存LDPC糾錯方法的一實施例，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，使神經元間的權值參數調整到最佳，根據數據特征劃分出多種應用場景，不同場景采用最佳的參考電壓去重讀。

根據本發明的基于機器學習的閃存LDPC糾錯方法的一實施例，其中，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/E?Cycles、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最合適的讀電壓值。