基于深度学习的多级单元闪存动态读取阈值设计
信息论
2019-07-10 v1 math.IT
摘要
实际 NAND 闪存受到各种难以预测的的非平稳噪声影响。此外，在回读过程中，由数据保持噪声引起的信道偏移是未知的。这严重影响了从存储单元中恢复数据。本文中，我们首先提出一种新颖的基于循环神经网络（RNN）的检测器，无需任何信道先验知识即可有效检测存储在多级单元（MLC）闪存中的数据符号。然而，与传统阈值检测器相比，所提 RNN 检测器引入了更长的读取延迟与更高功耗。为解决该问题，我们进一步提出一种 RNN 辅助（RNNA）动态阈值检测器，其检测阈值可基于 RNN 检测器的输出导出。因此我们仅需在系统空闲时周期性激活 RNN 检测器。此外，为实现纠错码的差分译码，我们首先展示如何基于 RNN 检测器导出的硬判决读取阈值获得更多读取阈值。然后提出基于所设计读取阈值的整数可靠性映射，可生成信道的软信息。最后，我们提出将密度进化（DE）与差分进化算法相结合，以优化 LDPC 编码闪存信道的读取阈值。计算机仿真结果证明了我们的 RNNA 动态读取阈值设计在无需任何信道先验知识的情况下，对未编码与 LDPC 编码闪存信道均有效。
引用
@article{arxiv.1907.03938,
title = {Deep Learning-Aided Dynamic Read Thresholds Design For Multi-Level-Cell Flash Memories},
author = {Zhen Mei and Kui Cai and Xuan He},
journal= {arXiv preprint arXiv:1907.03938},
year = {2019}
}