[发明专利]存储器装置的基于深度学习的编程验证建模和电压估计

说明书

本公开描述了用于提高存储器装置的性能的装置、系统和方法。示例性方法包括：针对施加到存储器装置的多个读取电压中的每一个获得多个单元计数；基于多个单元计数和多个读取电压，生成至少一个1计数、至少一个校验和以及与多个读取电压中的至少一个读取电压的分布函数相对应的多个样本；基于深度神经网络的输出来确定至少一个读取电压的更新值，该深度神经网络的输入包括至少一个1计数、至少一个校验和与多个样本；并且将至少一个读取电压的更新值施加到存储器装置以从存储器装置检索信息。

技术领域

本专利文件总体上涉及存储器装置，并且更具体地，涉及存储器装置中的鲁棒性和可靠访问。

背景技术

数据完整性对于数据存储装置和数据传输是非常重要的。在固态存储器(例如，NAND闪存)装置中，信息通过单元中的不同电荷电平存储在单元中。在写入过程和读取过程期间，编程干扰错误和单元间干扰电荷泄漏导致电压分布和电平随时间下降，会引入噪声。生成准确的读取电压会提高存储器装置的可靠性和寿命。

发明内容

所公开技术的实施例涉及在存储器装置的操作中使用深度神经网络来估计读取电压阈值，这提高了存储器装置的性能。通过将1计数、校验和以及来自偏态正态分布(skewnormal distribution)的样本用作深度神经网络的输入，至少部分地实现这些以及其它特征和益处。

在示例性方面，描述一种用于提高存储器装置的性能的方法。该方法包括：针对施加到存储器装置的多个读取电压中的每一个获得多个单元计数；基于多个单元计数和多个读取电压，生成至少一个1计数、至少一个校验和以及与多个读取电压中的至少一个读取电压的分布函数相对应的多个样本；基于深度神经网络(DNN)的输出来确定至少一个读取电压的更新值，其中DNN的输入包括至少一个1计数、至少一个校验和以及多个样本；并且将至少一个读取电压的更新值施加到存储器装置以从存储器装置检索信息。

在另一示例性方面，上述方法可以由包括处理器的视频编码器设备或视频解码器设备来实施。

在另一示例性方面，这些方法可以以处理器可运行指令的形式实现并存储在计算机可读程序介质上。

本专利文件中描述的主题可以以提供以下特征中的一个或多个的特定方式来实施。

附图说明

图1示出存储器系统的示例。

图2是示例性非易失性存储器装置的示图。

图3是示出非易失性存储器装置的单元电压电平分布(Vth)的示例性示图。

图4是示出非易失性存储器装置的单元电压电平分布(Vth)的另一示例性示图。

图5是示出编程干扰之前和之后的非易失性存储器装置的单元电压电平分布(Vth)的示例性示图。

图6是示出作为参考电压的函数的非易失性存储器装置的单元电压电平分布(Vth)的示例性示图。

图7示出用于非易失性存储器装置中的读取电压估计的示例性eBoost算法的操作。

图8A和图8B是示出分别在训练模式和推理模式下配置的示例性深度神经网络(DNN)的框图。

图9是示出DNN的示例性架构的框图。

图10示出DNN的示例性操作和分析。

图11示出用于提高存储器装置的性能的示例性方法的流程图。

具体实施方式

半导体存储器装置可以是易失性的或非易失性的。易失性半导体存储器装置以较高速度执行读取操作和写入操作，而其中所存储的内容在断电时可能会丢失。非易失性半导体存储器装置即使在断电时也可以保留其中所存储的内容。非易失性半导体存储器装置可以用于存储无论是否通电都必须保留的内容。