[发明专利]用于早期软解码的无辅助读取的基于机器学习的LLR生成

权利要求书

1.一种对低密度奇偶校验码字即LDPC码字进行解码的方法，所述方法包括：

由包括LDPC解码器的系统对与字线即WL相关联的给定页面的存储器单元执行硬解码，所述硬解码包括使用预定硬读取阈值电压的第一硬读取以及一个或多个重新读取；

由所述系统确定基于硬读取的所述硬解码已经失败；

由所述系统确定所述硬读取是所述给定页面的所述第一硬读取还是重新读取；

在确定所述硬读取是所述第一硬读取时，继续执行另一页面的硬解码；

在确定所述硬读取是所述给定页面的所述重新读取时，

基于与所述给定页面的所述硬读取和先前硬读取相关联的读取阈值电压，将所述给定页面的存储器单元分组到区间中；

确定每个区间中的存储器单元的奇偶校验和以及1的计数；

基于每个区间的读取数据、校验和以及1的计数，使用机器学习来计算每个区间的对数似然比即LLR；并且

使用所计算的LLR来对所述给定页面执行软解码。

2.根据权利要求1所述的方法，进一步包括：通过在来自所述给定页面的当前硬读取与先前硬读取的读取数据之间使用模式匹配运算，来检测所述硬读取是所述第一硬读取还是所述重新读取。

3.根据权利要求2所述的方法，其中所述模式匹配运算包括执行如下的求和运算：

SUM(XOR(incoming_data,saved_data))，

其中：

incoming_data是来自所述给定页面的所述当前硬读取的读取数据；

saved_data是来自所述给定页面的所述先前硬读取的读取数据；

XOR是异或运算；并且

SUM是确定为1的位的总和的运算。

4.根据权利要求1所述的方法，其中所述奇偶校验和基于所述码字的非零校正子的权重。

5.根据权利要求1所述的方法，其中使用所述机器学习包括使用神经网络，即NN。

6.根据权利要求5所述的方法，其中所述NN是深度神经网络，即DNN，所述DNN接收所述校验和以及所述1的计数作为输入并且确定用于计算最佳LLR的加权因子。

7.一种在存储系统中确定用于软解码的LLR的方法，基于从硬解码获得的信息来确定用于所述软解码的LLR，所述存储系统执行LDPC码字的硬解码和软解码，所述方法包括：

对页面中的码字执行硬解码，所述硬解码包括使用预定硬读取阈值电压的第一硬读取以及一个或多个重新读取；

基于用于所述第一硬读取以及所述一个或多个重新读取的读取阈值电压来将所述页面中的存储器单元分组到多个区间；

计算每个区间中的存储器单元的奇偶校验和以及1的计数；

基于每个区间的读取数据、校验和以及1的计数来确定每个区间的存储器单元的LLR。

8.根据权利要求7所述的方法，进一步包括：使用机器学习来确定每个区间的LLR。

9.根据权利要求8所述的方法，其中所述机器学习包括NN。

10.根据权利要求8所述的方法，其中所述奇偶校验和包括用于LDPC解码的码字的非零校正子的权重。

11.根据权利要求8所述的方法，其中给定区间的1的计数包括所述区间中的单元值为1的存储器单元的数量。

12.根据权利要求7所述的方法，进一步包括：在无需使用辅助读取即AR的情况下确定所述LLR，其中所述AR包括根据来自硬读取的读取数据来确定用于确定所述LLR的附加读取阈值电压。

13.根据权利要求7所述的方法，进一步包括：通过在来自所述给定页面的当前硬读取与先前硬读取的读取数据之间使用模式匹配运算，来检测所述硬读取是所述第一硬读取还是所述重新读取。