Since the increment in program/erase (P/E) cycles and retention time distort the threshold voltage distribution of memory cells, read voltages should be updated based on the knowledge of them to maintain low error rates of NAND flash memory systems. However, a flash memory controller is unable to acquire the knowledge of retention time, so it is challenging to estimate the optimal read voltages in general. In this paper, we propose novel NAND flash memory read voltage estimation methods which are inspired by machine-learning. The proposed methods can perform highly-reliable and low-latency read operation without the knowledge of retention time. We first find features from the sensing and decoding process to obtain alternative information on the retention time. By exploiting them as the input metrics, we attempt to employ machine-learning techniques to the read voltage estimation framework in NAND flash memory systems. Since it requires only read of fractional cells in a memory block, a few read trials are required to estimate near-optimal read voltages. Also, we optimize the complexities of the proposed methods by selecting a subset of features to reduce computational complexity while maintaining estimation accuracy. Simulation results show that the error rates of the proposed methods can approach the optimal performance while requiring low-latency.
NAND 플래시 메모리의 program/erase 사이클 수와 데이터 보유 시간의 증가는 메모리 셀의 문턱 전압 분포를 왜곡한다. 메모리의 에러율을 낮게 유지하기 위해서는 두 요인에 대한 정보를 기반으로한 읽기 전압 재설정이 요구된다. 하지만 일반적으로 메모리 컨트롤러는 데이터 보유 시간에 대한 정보를 습득할 수 없으므로 최적의 읽기 전압을 추정하는 것은 매우 어려운 문제이다. 이 논문에서는 기계 학습 기반의 읽기 전압 추정 기법을 제안한다. 제안 기법들은 데이터 보유 시간에 대한 정보 없이 높은 신뢰성과 낮은 지연시간을 가지는 읽기 동작을 수행할 수 있다. 메모리 센싱 및 복호 과정을 통해 데이터 보유 시간을 대체하는 정보를 발굴하며 이를 활용하여 기계 학습 기술을 읽기 전압 추정에 적용한다. 제안된 기법을 이용하면 메모리 블럭의 일부 셀만을 읽어 최적의 읽기 전압을 추정할 수 있다. 또한 특징 선택 기법을 적용하여 제안된 방식에 요구되는 계산 복잡도 및 저장 요구사항을 최적화한다. 전산 실험을 통해 제안 방식이 매우 낮은 읽기 지연시간을 유지하며 데이터 보유 시간을 알고 있을 때의 최적 에러율 성능과 근사한 성능에 도달할 수 있음을 보인다.
