群聯電子持續提升NAND存儲性能與可靠性

了解更多關於保持群聯科技處於 NAND 存儲前沿的先進技術的信息

作者洪天 | 2023 年 3 月 20 日 | 全部, 技術

智能時代，高速、高可靠的存儲解決方案在工廠自動化、汽車、農業、 5G網絡和空間應用。這些環境需要快速處理大量數據，同時還要確保系統長時間連續運行的穩定性。

作為全球存儲解決方案的領導者，群聯擁有 20 多年提供先進存儲解決方案的經驗嵌入式和工業解決方案。使用偽單層單元的組合 (pSLC) 技術, 高級糾錯碼 (ECC) 和機器學習（ML），群聯的存儲產品是必須在極端環境下運行的閃存存儲應用的最佳選擇。無論是在地面、海上、空中還是在太空中，客戶可以信賴群聯的存儲解決方案。

偽SLC模式

所有現代 NAND 單元都可以在 pSLC 模式下運行。這種功能自2009 年早期的多級單元(MLC) 首次上市以來就已存在。儘管pSLC 功能很少用於典型的客戶端或企業應用，但它在工業、醫療、汽車、航空和航天寫入中非常有用。密集的用例。十多年來，群聯一直為這些市場提供 pSLC 解決方案。

pSLC 模式中使用的單元具有與專用 SLC 相同的編程速度和耐用性，但受益於現代更小的單元尺寸和 3D 配置，從而降低了總體成本。經常出現的一個問題是偽 MLC (pMLC) 模式是否可以作為那些需要更多容量的用戶的中間立場。不幸的是，NAND 單元背後的物理原理目前不支持該選項。

NAND 單元有點像盛水的水桶，但在這種情況下，水是一堆電子。對於 pSLC，桶要么是空的，要么不是空的。一旦添加非空（或更多位）的級別，就必須更精確地控制電子數量或電壓水平。這意味著細胞填充過程需要更長的時間，這會對物理硬件造成更大的壓力並縮短細胞的壽命。 pSLC 單元可以快速寫入並持續長達 100,000 個週期，而三級單元 (TLC) 則僅限於 3,000 個週期。四級單元 (QLC) 最大數量約為 1,200 個。如果具有 5 位的五級單元 (PLC) 實現商業化，它們的循環次數可能會少於 600 個，這會嚴重限制其實用性。

從目前的情況來看，TLC和QLC都可以支持pSLC模式。該選項是比傳統 SLC 便宜得多的替代方案。與普通 3D NAND 單元相比，它還提供增強的性能和耐用性。雖然SLC的循環能力很有幫助，但不足以構建高耐力產品。在群聯，我們的首要任務是確保用戶數據在各種要求苛刻的環境中都是安全的。這就是高級 ECC 的用武之地。

先進的糾錯碼（ECC）技術

群聯電子在 NAND 閃存行業擁有超過 20 年的經驗，開發了先進的糾錯碼 (ECC) 技術。目前的技術水平基於低密度奇偶校驗 (LDPC) ECC 算法。它是使用數百萬小時的測試構建的非常有效的統計模型。雖然不完全基於機器學習 (ML)，但它很接近，並且比之前的 Bose 高效得多

Chaudhuri-Hocquenghem (BCH) 算法模型。群聯的第四代LDPC引擎可以在該公司所有最新的控制器中找到。我們還開始開發下一代 LDPC 引擎，以確保我們產品的持續改進。

但為什麼 NAND 模塊上的數據首先會變壞呢？熱量和高速粒子（來自太陽的質子和中子）都會導致細胞總能量的增加。這些原子粒子撞擊一直在發生，甚至在海平面上也是如此，並對電子設備產生真正的影響。相反，隨著時間的推移，電子會從 NAND 單元中洩漏出來，從而導致能級下降。電池電荷的這些變化並不均勻。這就是 ECC 發揮作用的地方，幫助 SSD 找出數據應該是什麼。

可靠性增強：基於機器學習的錯誤恢復流程

雖然 LDPC 不是基於 ML 技術，但可以通過 ML 對其進行改進。通過使用詳細的 NAND 通道建模，群聯進一步增強了產品性能、保留率和可靠性。該技術分為硬解碼器和軟解碼器兩部分。

新一代硬解碼器：具有 Coarse Tune 和 Fine Tune 步驟的魯棒讀取級別搜索算法

硬解碼器之所以如此命名，是因為它使用附加到數據的 ECC 位提供的直接信息。通過改變 NAND 單元的讀取方式，硬解碼器算法通常可以通過一兩次嘗試來糾正數據。獲得良好效率的技巧是了解應該使用 20 多種讀取模式中的哪一種以及何時使用。通過使用基於機器學習的選擇方法，可以大大減少恢復延遲。

另一種用於從單元中獲取更多信息的技術涉及傾斜選擇閾值，以確定邊界電壓電平代表值A 還是值B。雖然當然可以迭代讀取重試和電壓閾值的每個排列，但ML算法可以通過跳過它知道對當前條件無效的步驟來更有效地執行恢復。在這種情況下，可靠性和延遲的關鍵是準確有效的算法來搜索最佳讀取級別。

群聯開發了一種強大的機器學習算法，分為兩個階段，稱為 Coarse Tune 和 Fine Tune。粗調階段最多需要 3 次讀取來動態識別當前最佳讀取級別 - 具有更好的收斂速度和更多

比其他解決方案準確的預測結果。微調階段以先前的結果為基礎，對剩餘的參數進行精細化處理。一旦確定了正確的設置，它們通常可以用於 NAND 上的其他數據頁。

新一代軟解碼器：具有自動校準 LLR 的基於 ML 的預測模型

當 NAND 數據損壞嚴重而無法使用硬解碼器技術讀取時，可使用軟解碼器。在此模式下，使用來自給定頁中的單元的所有三個 TLC 頁（或 QLC 的四個頁）獲得額外的解碼信息。其他插值模式允許從物理相鄰的頁面進行採樣。雖然速度較慢，但此模式為解碼器提供了更多信息，以便它可以更好地確定如何糾正數據。此時，速度不再是問題，因為除非軟解碼器可以修復損壞，否則數據將被視為丟失。這種正確確定優先級的模式的另一個術語是“英雄錯誤恢復”。

對於軟解碼器，目標是最大化解碼能力以恢復原始數據。給定指定的通道模型和最佳軟讀偏移，可以計算最佳對數似然比（LLR）值。

Phison 基於機器學習的最佳 LLR 值預測模型稱為自動校準 LLR (ACLLR)。最優 LLR 預測可以被視為回歸，

機器學習中的分類或聚類問題。測試結果表明，群聯的ACLLR比標準LLR具有更好的解碼能力。