基于卷积神经网络的闪存信道检测技术研究

胡海华，韩国军，张孝谊

（广东工业大学 信息工程学院，广东 广州 510000）

近年来，NAND 闪存已成为主流存储介质，在智能手机、个人电脑和大型数据中心中得到广泛应用[1-4]。随着制造工艺的进步，闪存单元的封装尺寸逐渐缩小。一方面，闪存单元中存储的比特数成倍增加；另一方面，闪存内部相邻单元寄生耦合电容效应变大，单元间干扰(cell-to-cell interference,CCI)增强，导致数据存储可靠性降低[5-6]。与此同时，编程次数和保持时间的增加引发随机电报噪声(random telegraph noise)和可持久性噪声(retention noise)，降低了闪存的使用寿命。

关于以上噪声带来的信道检测可靠性下降问题，国内外学者提出了一些解决方案[6-8]。针对单元间干扰，Peng 等[5]提出CSAD 和NIA-CSAD 检测策略；Dong 等[7]分析了单元间干扰信道模型，并用熵函数来近似求出两种状态分布重叠区的读取参考电压。上述工作需要估计出最优读取参考电压，该方法依赖闪存信道精准的先验信息(相邻单元先验信息、编程和擦除次数、保持时间等相关参数)。为减少对信道先验信息的依赖，文献[8]提出了循环神经网络(recurrent neural network,RNN)检测器。该检测器在未知信道先验信息下能减少噪声对信道可靠性的影响，但是该实验只分析了持久性噪声，没有考虑单元间干扰的影响，并且RNN 检测器复杂度较高，被激活会占用大量的系统空闲时间。在实际场景中，闪存信道会同时存在随机电报噪声、可持久性噪声和单元间干扰。信道噪声随保持时间变化，对阈值电压分布扭曲的影响是很难预测的。当前，深度学习技术迅速发展，在信道检测与估计中都表现出优越的性能[7-12]。……