[发明专利]用于机器学习的增强型存储设备存储架构

说明书

本发明题为“用于机器学习的增强型存储设备存储架构”。公开了用于使用机器学习来处理数据的存储设备架构的实施方案。在一些实施方案中，存储设备包括独立的I/O内核和神经网络内核。存储设备可创建存储数据的数据流的副本，并且神经网络内核可处理神经网络中的数据流的副本，而I/O内核可对数据流执行读取或写入功能。

以引用任何优先权申请的方式并入

根据37 CFR 1.57，在与本专利申请一同提交的申请数据表中被识别的国外或国内优先权的任何和所有申请均据此以引用方式并入本文。

技术领域

本公开涉及存储设备架构，并且更具体地，涉及通过机器学习在存储设备内部进行的数据处理。

背景技术

现代计算系统经常利用机器学习技术，诸如神经网络。这些技术可以在大型数据集上运行，因此可能需要大量存储空间。但是，当前的存储架构不允许大数据分析的可扩展性。本公开解决了这些和其他问题。

附图说明

权利要求中描述的创新各有几个方面，其中没有一个方面单独对其期望的属性负责。在不限制权利要求书的范围的情况下，现在将简要描述本公开的一些显著特征。

图1A和图1B是根据现有技术在DRAM和持久存储装置之间传输的持久数据的示例。

图2是根据现有技术的通过人工智能模型来分析数据的示例。

图3是根据一些实施方案的将存储设备与神经网络引擎组合的示例。

图4是根据一些实施方案的存储设备和主机之间的通信的示例。

图5示出了根据一些实施方案的存储设备的一个示例，该存储设备包括流中存储I/O请求的持久空间。

图6示出了根据一些实施方案的分成若干区段并存储在连续序列中的文件的示例。

图7示出了根据一些实施方案的由神经网络处理的数据的输入流的示例。

图8示出了根据一些实施方案的多核存储设备的示例。

图9示出了根据一些实施方案的在神经网络上执行推理操作的示例。

图10示出了根据一些实施方案的通过复制流数据在神经网络上执行推断操作的示例。

图11示出了根据一些实施方案的数据复制管理的示例。

具体实施方式

虽然描述了某些实施方案，但是这些实施方案仅作为示例呈现，并且不旨在限制保护范围。实际上，本文描述的新颖方法和系统可以各种其他形式体现。此外，在不脱离保护范围的情况下，可以对本文描述的方法和系统的形式进行各种省略、替换和改变。

本公开的各种实施方案提供了被配置为执行神经网络计算的数据存储设备，该设备包括：非易失性存储器，所述非易失性存储器包括被配置为存储由主机系统提供的数据的第一存储区域和被配置为存储与神经网络计算相关的数据的第二存储区域；控制器，所述控制器被配置为：响应于从所述主机系统接收的至少一个数据传输命令来将数据存储在所述第一存储区域中并从所述第一存储区域检索数据；以及在所述第二存储区域中执行神经网络计算。

在前述段落或本文的任何段落的数据存储设备中，所述第二存储区域可被配置为存储多个存储流，每个流包括所述非易失性存储器的一组连续物理存储器存储单元，并且所述控制器可被进一步配置为对所述多个存储流执行神经网络计算。

在前述段落或本文的任何段落的数据存储设备中，所述控制器可被进一步配置为通过公共标识符来识别所述多个存储流中的每个存储流。

在前述段落或本文的任何段落的数据存储设备中，多个存储流可包括第一存储流和第二存储流。