[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

说明书

本申请提供了一种在存储系统中基于从硬解码获得的信息来确定用于软解码的对数似然比(LLR)的方法，该存储系统被配置成执行低密度奇偶校验(LDPC)码字的硬解码和软解码。该方法包括：对页面中的码字执行硬解码，该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，并且基于用于第一硬读取以及一个或多个重新读取的读取阈值电压来将页面中的存储器单元分组到多个区间。该方法还包括：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，并且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。

技术领域

本发明总体上涉及一种用于存储装置的系统和方法，并且具体地，涉及提高诸如固态硬盘(SSD)的非易失性存储器装置的性能。

背景技术

固态存储器广泛用于各种电子系统，包括例如消费类电子装置(例如，移动电话、相机、计算机)和企业计算系统(例如，硬盘驱动器、随机存取存储器(RAM))。由于延迟、吞吐量、抗震性、封装和其它因素，固态存储器比机械或其它存储器存储技术更为普及。

为了增加存储密度，多位多层存储器单元的使用正在增加。随着密度的增加，错误的余量减小。因此，在固态存储器中，错误校正码已经变得不可或缺。因此，非常需要用于执行错误校正的有效且高效的技术。

发明内容

在本发明的实施例中，提供了一种使用来自硬解码的信息生成对数似然比(LLR)，而无需在软解码中使用的辅助读取(AR)的方法。在实施例中，使用硬读取数据、来自硬读取数据的校验和以及1的计数来生成LLR以支持早期软解码。与常规软解码处理相比，该方法提供了若干优点。首先，常规软读取通常涉及识别中心或最佳读取阈值电压，并且得到针对AR的附加读取阈值电压，其被设计成获得足够的软信息以确定LLR。因此，使用AR的常规软解码是更复杂的处理。另外，在常规解码流程中，很难获得足够的信息来生成LLR表以支持早期软解码。

根据本发明的一些实施例，一种对低密度奇偶校验(LDPC)码字进行解码的方法，该方法包括：由包括LDPC解码器的系统对与字线(WL)相关联的给定页面的存储器单元执行硬解码，该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。该方法还包括由系统确定基于硬读取的硬解码已经失败。该方法进一步包括由系统确定硬读取是给定页面的第一硬读取还是重新读取。在确定硬读取是第一硬读取时，系统继续执行另一页面的硬解码。在确定硬读取是给定页面的重新读取时，该方法包括：基于与给定页面的硬读取和先前硬读取相关联的读取阈值电压，将给定页面的存储器单元分组到区间中。该方法进一步包括：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，并且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LLR。然后可以使用所生成的LLR来对给定页面执行软读取和软解码。

在一些实施例中，该方法还包括：通过在来自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，来检测硬读取是第一硬读取还是重新读取。在一些实施例中，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是来自给定页面的当前硬读取的读取数据；

saved_data是来自给定页面的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。

在一些实施例中，奇偶校验和是基于码字的非零校正子的权重。

在一些实施例中，机器学习包括使用神经网络(NN)。在一些实施例中，NN是接收校验和以及1的计数作为输入并且确定用于计算最佳LLR的加权因子的深度神经网络(DNN)。