Im Zeitalter der Intelligenz sind schnelle und äußerst zuverlässige Speicherlösungen in einer Vielzahl von Bereichen unerlässlich, darunter Fabrikautomation, Automobilindustrie, Landwirtschaft usw. 5G-Netze und Raumfahrtanwendungen. Diese Umgebungen erfordern eine schnelle Verarbeitung großer Datenmengen und gewährleisten gleichzeitig die Systemstabilität über längere Zeiträume im Dauerbetrieb.
Als weltweit führender Anbieter von Speicherlösungen verfügt Phison über mehr als 20 Jahre Erfahrung in der Bereitstellung fortschrittlicher Lösungen eingebettet und Industrielösungen. Verwendung einer Kombination aus Pseudo-Single-Level-Zellen (pSLC)-Technologie, Erweiterter Fehlerkorrekturcode (ECC) Und Maschinelles Lernen (ML)Die Speicherprodukte von Phison sind die optimale Wahl für Flash-Speicheranwendungen, die in extremen Umgebungen betrieben werden müssen. Ob am Boden, auf See, in der Luft oder oben im WeltraumKunden können sich auf die Speicherlösungen von Phison verlassen.
Pseudo-SLC-Modus
Alle modernen NAND-Zellen können im pSLC-Modus arbeiten. Diese Fähigkeit gibt es seit der ersten Markteinführung der ersten Multilevel-Zellen (MLC) im Jahr 2009. Obwohl die pSLC-Fähigkeit selten in typischen Kunden- oder Unternehmensanwendungen verwendet wird, ist sie für Schreib- und Schreibgeräte in der Industrie, Medizin, Automobilindustrie, Luft- und Raumfahrt von großem Nutzen. Intensive Anwendungsfälle. Phison bietet seit weit über einem Jahrzehnt pSLC-Lösungen für diese Märkte an.
Im pSLC-Modus verwendete Zellen verfügen über die gleiche Programmiergeschwindigkeit und Lebensdauer wie dedizierte SLC, profitieren jedoch von modernen kleineren Zellengrößen und 3D-Konfigurationen, die die Gesamtkosten senken. Eine häufig gestellte Frage ist, ob der Pseudo-MLC-Modus (pMLC) als Mittelweg für diejenigen dienen könnte, die etwas mehr Kapazität benötigen. Leider unterstützt die Physik hinter NAND-Zellen diese Option derzeit nicht.
NAND-Zellen ähneln Eimern, die Wasser enthalten, aber in diesem Fall ist das Wasser ein Haufen Elektronen. Bei pSLC ist der Bucket entweder leer oder nicht leer. Sobald man Ebenen der Nicht-Leerheit (oder mehr Bits) hinzufügt, muss die Anzahl der Elektronen oder das Spannungsniveau viel präziser gesteuert werden. Dies bedeutet, dass der Zellfüllvorgang länger dauert, was die physische Hardware stärker belastet und die Lebensdauer der Zelle verkürzt. Während eine pSLC-Zelle schnell schreiben kann und bis zu 100.000 Zyklen durchhält, ist eine Triple-Level-Zelle (TLC) auf 3.000 Zyklen begrenzt. Quad-Level-Zellen (QLC) erreichen maximal etwa 1.200. Sollten Penta-Level-Zellen (PLC) mit 5 Bit jemals kommerzialisiert werden, werden sie wahrscheinlich weniger als 600 Zyklen haben, was ihre Nützlichkeit stark einschränkt.
Nach heutigem Stand können sowohl TLC als auch QLC den pSLC-Modus unterstützen. Diese Option ist eine deutlich kostengünstigere Alternative zum herkömmlichen SLC. Darüber hinaus bietet sie im Vergleich zur normalen 3D-NAND-Zelle eine höhere Leistung und Ausdauer. Obwohl die Zyklenfähigkeit von SLC hilfreich ist, reicht sie nicht aus, um ein langlebiges Produkt zu bauen. Bei Phison ist es unsere oberste Priorität, sicherzustellen, dass die Benutzerdaten in einer Vielzahl anspruchsvoller Umgebungen sicher sind. Hier kommt Advanced ECC ins Spiel.
Fortschrittliche ECC-Technologie (Error Correction Code).
Mit über 20 Jahren Erfahrung in der NAND-Flash-Branche hat Phison eine hochentwickelte Error Correction Code (ECC)-Technologie entwickelt. Der aktuelle Stand der Technik basiert auf dem ECC-Algorithmus Low Density Parity Check (LDPC). Es handelt sich um ein sehr effizientes statistisches Modell, das in Millionen von Teststunden erstellt wurde. Obwohl es nicht ganz auf maschinellem Lernen (ML) basiert, ist es nah dran – und viel effizienter als das vorherige Bose-
Algorithmusmodell Chaudhuri-Hocquenghem (BCH). Die LDPC-Engine der vierten Generation von Phison ist in allen neuesten Controllern des Unternehmens zu finden. Wir haben außerdem mit der Arbeit an unserer nächsten LDPC-Engine begonnen, um eine kontinuierliche Verbesserung unserer Produkte sicherzustellen.
Aber warum gehen Daten auf NAND-Modulen überhaupt kaputt? Sowohl Wärme als auch schnelle Teilchen (Protonen und Neutronen der Sonne) bewirken einen Anstieg der Gesamtenergie der Zelle. Diese atomaren Teilcheneinschläge passieren ständig, sogar auf Meereshöhe, und haben echte Auswirkungen auf die Elektronik. Umgekehrt treten im Laufe der Zeit Elektronen aus NAND-Zellen aus, was zu einem Rückgang des Energieniveaus führt. Diese Schwankungen der Zellladung sind nicht gleichmäßig. Hier kommt ECC ins Spiel, um der SSD dabei zu helfen, herauszufinden, was die Daten sein sollen.
Zuverlässigkeitsverbesserung: Auf maschinellem Lernen basierender Fehlerbehebungsablauf
Obwohl LDPC nicht auf ML-Techniken basiert, kann es mit ML verbessert werden. Phison hat die Produktleistung, -speicherung und -zuverlässigkeit durch den Einsatz detaillierter NAND-Kanalmodellierung noch weiter verbessert. Die Technologie ist in zwei Teile unterteilt: Hard-Decoder und Soft-Decoder.
Neue Generation von Hard-Decodern: Robuster Suchalgorithmus auf Leseebene mit Grobabstimmungs- und Feinabstimmungsschritten
Der Harddecoder wird so genannt, weil er die direkten Informationen nutzt, die durch die an die Daten angehängten ECC-Bits bereitgestellt werden. Durch Ändern der Art und Weise, wie die NAND-Zellen gelesen werden, kann der Hard-Decoder-Algorithmus Daten oft in ein oder zwei Versuchen korrigieren. Der Trick für eine gute Effizienz besteht darin, zu wissen, welcher der über 20 Lesemodi wann verwendet werden sollte. Durch die Verwendung einer auf ML basierenden Auswahlmethode kann die Wiederherstellungslatenz erheblich reduziert werden.
Eine andere Technik, die verwendet wird, um den Zellen mehr Informationen zu entlocken, besteht darin, die Auswahlschwellenwerte zu verzerren, um zu bestimmen, ob ein grenzwertiger Spannungspegel den Wert A oder den Wert B darstellt. Zwar ist es sicherlich möglich, jede Permutation von Lesewiederholungsversuchen und Spannungsschwellenwerten zu durchlaufen, ein ML-Algorithmus kann die Wiederherstellung viel effizienter durchführen, indem es Schritte überspringt, von denen es weiß, dass sie unter den aktuellen Bedingungen nicht effektiv sind. In solchen Fällen liegt der Schlüssel zu Zuverlässigkeit und Latenz in einem genauen und effizienten Algorithmus zur Suche nach der optimalen Lesestufe.
Phison hat einen robusten ML-Algorithmus mit zwei Stufen namens Coarse Tune und Fine Tune entwickelt. Die Coarse Tune-Phase benötigt maximal drei Lesevorgänge, um dynamisch den aktuell optimalen Lesepegel zu ermitteln – mit besserer Konvergenzgeschwindigkeit und mehr
genauere Vorhersageergebnisse als andere Lösungen. Die Feinabstimmungsphase baut auf den vorherigen Ergebnissen auf, um die verbleibenden Parameter zu verfeinern. Sobald die richtigen Einstellungen identifiziert sind, können sie normalerweise für die anderen Datenseiten auf dem NAND verwendet werden.
Neue Generation von Soft-Decodern: ML-basiertes Vorhersagemodell mit automatisch kalibriertem LLR
Der Soft-Decoder wird verwendet, wenn die NAND-Daten zu beschädigt sind, um mit Hard-Decoder-Techniken gelesen zu werden. In diesem Modus werden zusätzliche Dekodierungsinformationen mithilfe aller drei TLC-Seiten (oder vier Seiten für QLC) aus den Zellen einer bestimmten Seite erhalten. Andere Interpolationsmodi ermöglichen das Abtasten von physisch benachbarten Seiten. Obwohl dieser Modus langsamer ist, liefert er dem Decoder mehr Informationen, sodass er besser bestimmen kann, wie die Daten korrigiert werden müssen. An diesem Punkt ist die Geschwindigkeit kein Problem mehr, da die Daten als verloren gelten, es sei denn, der Soft-Decoder kann die Beschädigung beheben. Ein anderer Begriff für diesen Modus, der die Priorität richtig formuliert, ist „heroische Fehlerbehebung“.
Beim Soft-Decoder besteht das Ziel darin, die Decodierungsfähigkeit zu maximieren, um die Originaldaten wiederherzustellen. Bei einem angegebenen Kanalmodell und einem optimalen Soft-Read-Offset kann ein optimaler Log-Likelihood-Ratio-Wert (LLR) berechnet werden.
Das ML-basierte Vorhersagemodell von Phison für den optimalen LLR-Wert heißt Auto-Calibrated LLR (ACLLR). Die optimale LLR-Vorhersage kann als Regression betrachtet werden.
Klassifizierungs- oder Clusterproblem beim maschinellen Lernen. Testergebnisse haben gezeigt, dass das ACLLR von Phison über eine bessere Dekodierungsfähigkeit verfügt als das Standard-LLR.
Die starken Forschungs- und Entwicklungskapazitäten von Phison mit pSLC, fortschrittlichen ECC- und ML-Algorithmen sorgen für herausragende Leistung und Zuverlässigkeit. Die Lösungen des Unternehmens sind eine ideale Wahl für raue Umgebungen und anspruchsvolle Arbeitsbelastungen. Mit außergewöhnlicher Qualität und hoher Leistung sind die Speicherlösungen von Phison eine ideale Wahl für Unternehmen, die in der heutigen schnelllebigen digitalen Landschaft einen Wettbewerbsvorteil suchen.
Das äußerst zuverlässige Speicherportfolio von Phison bietet eine breite Palette an Formfaktoren in Industriequalität, einschließlich lötbarem BGA, zusammen mit herkömmlichen 2,5″, M.2 2280, M.2 2242 und mehr:
-
-
- SATAIII (MST360-Serie mit Phison-Controller PS3117-S17TI
- PCIe Gen3 (MPT160-Serie mit Phison-Controller PS5013-E13TI
- PCIe Gen4 (MPD660-Serie mit Phison-Controller PS5018-E18DI
-
Deutsch 
English 
繁體中文 
简体中文 
日本語 
한국어