群联电子持续提升NAND存储性能与可靠性

了解更多关于保持群联科技处于 NAND 存储前沿的先进技术的信息

作者洪天 | 2023 年 3 月 20 日 | 全部, 技术

智能时代，高速、高可靠的存储解决方案在工厂自动化、汽车、农业、 5G网络和空间应用。这些环境需要快速处理大量数据，同时还要确保系统长时间连续运行的稳定性。

作为全球存储解决方案的领导者，群联拥有 20 多年提供先进存储解决方案的经验嵌入式和工业解决方案。使用伪单层单元的组合 (pSLC) 技术, 高级纠错码 (ECC) 和机器学习（ML），群联的存储产品是必须在极端环境下运行的闪存存储应用的最佳选择。无论是在地面、海上、空中还是在太空中，客户可以信赖群联的存储解决方案。

伪SLC模式

所有现代 NAND 单元都可以在 pSLC 模式下运行。这种功能自 2009 年早期的多级单元 (MLC) 首次上市以来就已存在。尽管 pSLC 功能很少用于典型的客户端或企业应用，但它在工业、医疗、汽车、航空和航天写入中非常有用。密集的用例。十多年来，群联一直为这些市场提供 pSLC 解决方案。

pSLC 模式中使用的单元具有与专用 SLC 相同的编程速度和耐用性，但受益于现代更小的单元尺寸和 3D 配置，从而降低了总体成本。经常出现的一个问题是伪 MLC (pMLC) 模式是否可以作为那些需要更多容量的用户的中间立场。不幸的是，NAND 单元背后的物理原理目前不支持该选项。

NAND 单元有点像盛水的水桶，但在这种情况下，水是一堆电子。对于 pSLC，桶要么是空的，要么不是空的。一旦添加非空（或更多位）的级别，就必须更精确地控制电子数量或电压水平。这意味着细胞填充过程需要更长的时间，这会对物理硬件造成更大的压力并缩短细胞的寿命。 pSLC 单元可以快速写入并持续长达 100,000 个周期，而三级单元 (TLC) 则仅限于 3,000 个周期。四级单元 (QLC) 最大数量约为 1,200 个。如果具有 5 位的五级单元 (PLC) 实现商业化，它们的循环次数可能会少于 600 个，这会严重限制其实用性。

从目前的情况来看，TLC和QLC都可以支持pSLC模式。该选项是比传统 SLC 便宜得多的替代方案。与普通 3D NAND 单元相比，它还提供增强的性能和耐用性。虽然SLC的循环能力很有帮助，但不足以构建高耐力产品。在群联，我们的首要任务是确保用户数据在各种要求苛刻的环境中都是安全的。这就是高级 ECC 的用武之地。

先进的纠错码（ECC）技术

群联电子在 NAND 闪存行业拥有超过 20 年的经验，开发了先进的纠错码 (ECC) 技术。目前的技术水平基于低密度奇偶校验 (LDPC) ECC 算法。它是使用数百万小时的测试构建的非常有效的统计模型。虽然不完全基于机器学习 (ML)，但它很接近，并且比之前的 Bose 高效得多

Chaudhuri-Hocquenghem (BCH) 算法模型。群联的第四代LDPC引擎可以在该公司所有最新的控制器中找到。我们还开始开发下一代 LDPC 引擎，以确保我们产品的持续改进。

但为什么 NAND 模块上的数据首先会变坏呢？热量和高速粒子（来自太阳的质子和中子）都会导致细胞总能量的增加。这些原子粒子撞击一直在发生，甚至在海平面上也是如此，并对电子设备产生真正的影响。相反，随着时间的推移，电子会从 NAND 单元中泄漏出来，从而导致能级下降。电池电荷的这些变化并不均匀。这就是 ECC 发挥作用的地方，帮助 SSD 找出数据应该是什么。

可靠性增强：基于机器学习的错误恢复流程

虽然 LDPC 不是基于 ML 技术，但可以通过 ML 对其进行改进。通过使用详细的 NAND 通道建模，群联进一步增强了产品性能、保留率和可靠性。该技术分为硬解码器和软解码器两部分。

新一代硬解码器：具有 Coarse Tune 和 Fine Tune 步骤的鲁棒读取级别搜索算法

硬解码器之所以如此命名，是因为它使用附加到数据的 ECC 位提供的直接信息。通过改变 NAND 单元的读取方式，硬解码器算法通常可以通过一两次尝试来纠正数据。获得良好效率的技巧是了解应该使用 20 多种读取模式中的哪一种以及何时使用。通过使用基于机器学习的选择方法，可以大大减少恢复延迟。

另一种用于从单元中获取更多信息的技术涉及倾斜选择阈值，以确定边界电压电平代表值 A 还是值 B。虽然当然可以迭代读取重试和电压阈值的每个排列，但 ML 算法可以通过跳过它知道对当前条件无效的步骤来更有效地执行恢复。在这种情况下，可靠性和延迟的关键是准确有效的算法来搜索最佳读取级别。

群联开发了一种强大的机器学习算法，分为两个阶段，称为 Coarse Tune 和 Fine Tune。粗调阶段最多需要 3 次读取来动态识别当前最佳读取级别 - 具有更好的收敛速度和更多

比其他解决方案准确的预测结果。微调阶段以先前的结果为基础，对剩余的参数进行精细化处理。一旦确定了正确的设置，它们通常可以用于 NAND 上的其他数据页。

新一代软解码器：具有自动校准 LLR 的基于 ML 的预测模型

当 NAND 数据损坏严重而无法使用硬解码器技术读取时，可使用软解码器。在此模式下，使用来自给定页中的单元的所有三个 TLC 页（或 QLC 的四个页）获得额外的解码信息。其他插值模式允许从物理相邻的页面进行采样。虽然速度较慢，但此模式为解码器提供了更多信息，以便它可以更好地确定如何纠正数据。此时，速度不再是问题，因为除非软解码器可以修复损坏，否则数据将被视为丢失。这种正确确定优先级的模式的另一个术语是“英雄错误恢复”。

对于软解码器，目标是最大化解码能力以恢复原始数据。给定指定的通道模型和最佳软读偏移，可以计算最佳对数似然比（LLR）值。

Phison 基于机器学习的最佳 LLR 值预测模型称为自动校准 LLR (ACLLR)。最优 LLR 预测可以被视为回归，

机器学习中的分类或聚类问题。测试结果表明，群联的ACLLR比标准LLR具有更好的解码能力。