[發明專利]數據存儲裝置中的高速緩存操作的智能優化

在審

• 申請號: 202010894570.5
• 申請日: 2020-08-31
• 公開（公告）號: CN112446478A
• 公開（公告）日: 2021-03-05
• 發明（設計）人: R·R·N·比爾比;P·卡利
• 申請（專利權）人: 美光科技公司
• 主分類號: G06N3/063
• 分類號: G06N3/063
• 代理公司: 北京律盟知識產權代理有限責任公司 11287
• 代理人: 王龍

本申請案涉及數據存儲裝置中的高速緩存操作的智能優化。舉例來說，所述數據存儲裝置可包含：一或多個存儲媒體組件；控制器，其被配置成將數據存儲到所述一或多個存儲媒體組件中以及從所述一或多個存儲媒體組件檢索數據；高速緩存存儲器，其被配置成高速緩存存儲于所述一或多個存儲媒體組件中的數據；和人工神經網絡，其被配置成接收指示數據存取模式的作為輸入并且隨時間變化的操作參數。所述人工神經網絡基于所述輸入，產生預測以確定經優化高速緩存配置參數集；且根據基于所述預測確定的所述經優化高速緩存配置參數集來配置所述高速緩存存儲器的高速緩存操作。

技術領域

本文中所公開的至少一些實施例一般來說涉及數據存儲裝置，并且更具體地說，但不限于，涉及安裝于車輛中的數據存儲裝置中的高速緩存操作的智能優化。

背景技術

自主駕駛技術領域的最新發展允許計算系統至少在一些條件下操作機動車輛的控制元件而無需車輛的人類操作者的輔助。

舉例來說，傳感器(例如，相機和雷達)可安裝在機動車輛上以檢測在車行道上行駛的車輛的周圍環境。在具有或不具有來自車輛的人類操作者的任何輸入的情況下，安裝在車輛上的計算系統分析傳感器輸入以識別條件并且產生用于車輛的方向和/或速度的自主調整的控制信號或命令。

在一些布置中，當計算系統辨識到其中計算系統可能無法繼續以安全方式操作車輛的情境時，計算系統警報車輛的人類操作者并且請求人類操作者接管對車輛的控制并進行手動駕駛來代替允許計算系統自主駕駛車輛。

自主駕駛和/或高級駕駛輔助系統(ADAS)通常涉及用于識別在傳感器輸入中所捕獲的事件和/或對象的人工神經網絡(ANN)。

一般來說，人工神經網絡(ANN)使用神經元網絡處理發到所述網絡的輸入并且產生來自所述網絡的輸出。

舉例來說，網絡中的每一神經元接收輸入集。發到神經元的輸入中的一些可為網絡中的某些神經元的輸出；且發到神經元的輸入中的一些可為提供給神經網絡的輸入。網絡中的神經元當中的輸入/輸出關系表示網絡中的神經元連接性。

舉例來說，每一神經元可具有偏向、激活函數，以及分別用于其輸入的突觸權重集。激活函數可呈階躍函數、線性函數、對數S型(log-sigmoid)函數等形式。網絡中的不同神經元可具有不同激活函數。

舉例來說，每一神經元可產生其輸入和其偏向的加權總和并且接著產生為加權總和的函數的輸出，所述輸出是使用神經元的激活函數經計算。

ANN的輸入和輸出之間的關系一般由ANN模型定義，所述ANN模型包含表示網絡中的神經元的連接性的數據，以及每一神經元的偏向、激活函數和突觸權重。使用既定ANN模型，計算裝置從發到網絡既定輸入集計算網絡的輸出。

舉例來說，可基于相機輸入產生發到ANN網絡的輸入；且來自ANN網絡的輸出可為例如事件或對象等項目的識別。

脈沖神經網絡(SNN)是緊密模擬自然神經網絡的ANN的類型。當神經元的激活水平足夠高時，SNN神經元產生脈沖作為輸出。SNN神經元的激活水平模擬自然神經元的膜電勢。SNN神經元的輸出/脈沖可改變接收輸出的其它神經元的激活水平。SNN神經元隨時間變化的當前激活水平通常使用微分方程建模并且被視為SNN神經元的狀態。來自其它神經元的傳入脈沖可將神經元的激活水平推到較高以達到脈沖的閾值。一旦神經元產生脈沖，便重置其激活水平。在產生脈沖之前，如受微分方程控制，SNN神經元的激活水平可隨著時間推移衰減。SNN神經元的行為中的時間要素使得SNN適用于處理時空數據。SNN的連接性通常是稀疏的，這有利于減少計算工作負荷。

一般來說，可使用監督方法訓練ANN，在所述監督方法中，調整ANN中的參數以使由相應輸入產生的已知輸出和從將輸入應用于ANN產生的經計算輸出之間的錯誤。監督學習/訓練方法的實例包含強化學習，以及進行錯誤校正的學習。