[发明专利]存储设备、存储系统及存储方法

说明书

根据一个一般方面，一种存储设备可包含配置成接收存储器存取请求的主机接口电路，其中存储器存取请求与数据集相关联。设备可包含配置成创建并存储变换的数据集的非易失性存储器存储电路。设备可包含包括至少一个机器学习电路的转换电路。转换电路可配置成：响应于写入存储器存取，将数据集的原始版本转变为变换的数据集，以及响应于读取存储器存取，将变换的数据集转变为重构的数据集。也提供一种存储系统及存储方法。

技术领域

本说明书涉及数据的存储，且更具体地说，涉及基于神经网络的永久数据存储。

背景技术

在现代信息技术(Information Technology；IT)基础设施中，各种装置和工艺生成非常大量的数据。这些数据生成器的一些实例为智能机器、自动汽车、社交网络以及物联网(Internet-of-things；IOT)装置。正在开发新的人工智能(artificial intelligence；AI)和机器学习(machine learning；ML)技术，以有效地分析收集到的数据且使用收集到的数据来实现应用的甚至更高的效率和生产率。此类大量的数据存储在由固态装置(solid-state device；SSD)、硬盘驱动器(hard disk drive；HDD)、存储节点以及存储互连件组成的高性能、可信赖的存储系统中。

人工神经网络(neural network；NN)或连接系统是由构成动物大脑的生物神经网络模糊地启发的计算系统。神经网络是用于许多不同机器学习技术一起工作并处理复杂数据输入的框架。此类系统通常在没有用任何特定任务规则来编程的情况下通过考虑实例来“学习”执行任务。举例来说，在图像识别中，他们可能通过分析已经手动标记为“猫”或“没有猫”的实例图像及使用所述结果识别其它图像中的猫来学习识别含有猫的图像。这是他们在无任何关于猫的先验知识(例如其具有皮毛、尾巴、胡须以及猫类的脸)的情况下进行的。相反，他们从处理的学习材料中自动生成识别特性。

NN是基于称为人工神经元的连接单元或节点的集合，所述人工神经元松散地模拟生物大脑中的神经元。每个连接(如生物大脑中的突触)可将信号从一个人工神经元传输到另一人工神经元。接收信号的人工神经元可处理信号，且接着向与其连接的额外人工神经元发送信号。在常见的NN实施方案中，人工神经元之间的连接处的信号是实数，且每个人工神经元的输出通过其输入的总和的一些非线性函数来计算。人工神经元之间的连接称为‘边缘’。人工神经元和边缘通常具有随着学习进行而调整的权重。权重增加或减小连接处的信号强度。人工神经元可具有阈值，使得仅在集合信号超过所述阈值时才发送信号。通常，人工神经元聚集成层。不同的层可对其输入执行不同种类的变换。信号可能在多次穿过层之后从第一层(输入层)传播到最后一层(输出层)。

发明内容

根据一个一般方面，一种存储设备可包含配置成接收存储器存取请求的主机接口电路，其中存储器存取请求与数据集相关联。设备可包含配置成存储变换的数据集的非易失性存储器存储电路。设备可包含包括至少一个机器学习电路的转换电路。转换电路可配置成：响应于写入存储器存取，将数据集的原始版本转变为变换的数据集，以及响应于读取存储器存取，将变换的数据集转变为重构的数据集。

根据另一一般方面，一种存储系统可包含配置成执行具有存储装置的存储器存取的主机计算装置，其中存储器存取请求与数据集相关联。系统可包含存储装置。存储装置可包含配置成存储变换的数据集的存储器存储电路。存储装置可包含包括至少一个机器学习电路的转换电路。转换电路可配置成响应于存储器存取来执行以下中的一个：将数据集的原始版本转变为变换的数据集，将变换的数据集转变为重构的数据集或返回变换的数据集。

根据另一一般方面，一种存储方法可包含接收原始数据集，以存储在存储器电路中。所述方法可包含经由机器学习技术将原始数据集转变成变换的数据集，其中变换的数据集小于原始数据集。所述方法可包含存储变换的数据集而不是原始数据集。

以下随附图式及描述中阐述一或多个实施方案的细节。其它特征将从描述和图式以及从权利要求书显而易见。