The reliability issue of the NAND flash memory has been raised resulting from decreasing the physical
distance between transistors and the gap of each symbol due to the multi-leveling technology and fine
processing technology. To mitigate the increase in the error rate of the memory, error recovery techniques
with high reliability are required. Low density parity check codes using soft decision information, and
read retry techniques that move the read voltage closer to the intersection of the distribution are currently
used. However, these error recovery techniques need high read latency, leading to consideration of the
trade-off between reliability and read latency. As it is difficult for the controller to know about the
current cell state, these error recovery techniques tend to be applied in a fixed and sequential order from
low to high latency and error correction capability regardless of the current state of degradation. This
results in high read latency to recover errors of data as the deterioration condition increases, which is a
factor in shortening the lifespan of an SSD using NAND flash memory. In this paper, we propose a one-
shot error recovery method based on supervised learning, that achieves both the minimum read latency
and successful decoding by setting an optimal starting point for the current cell state. We consider the
input features that don’t need any structural and latency overhead for the machine learning model. This
enables our proposed scheme to set an optimal start point that makes a success of one-shot error recovery
without additional latency. Also, we show that transfer learning can be implemented to fastly adapt
to variational distributions due to process variations, which results in mitigating the degradation in the
performance of the proposed scheme. Simulation results show that our proposed method can significantly
improve the average read latency performance compared to conventional error recovery flows and reach
the near optimal latency performance, through predicting the optimal starting point for one-shot error
recovery with high accuracy.
NAND 플래시 메모리 시스템의 멀티 레벨링 기술과 미세공정화 기술로 셀 간의 물리적 거리가 감소하고 각
레벨 간의 간격이 줄면서 NAND 플래시 메모리의 신뢰성 열화가 발생하고 있다. 메모리의 에러율 증가를
완화하기 위해서는 신뢰도가 높은 에러 복구 기술이 요구된다. 현재 사용되는 에러 복구 기술에는 연판정
정보를 이용하여 높은 에러 정정 능력을 가지는 low density parity check codes 와, 읽기 전압을 산포의
교점에 가깝게 이동시키는 읽기 재시도 기법 등이 있다. 하지만 이러한 에러 복구 기술들은 정확한 메모리
셀의 상태에 상관없이 고정적으로 혹은 순차적으로 적용된다. 따라서 열화 상태가 심해질 수록 에러를 복
구하는 데 매우 높은 읽기 지연시간이 요구되고, 이는 NAND 플래시 메모리를 사용한 SSD 의 수명 단축의
요인이 된다. 이 논문에서는 지도학습을 기반으로 현재 셀 상태를 파악, 최소 지연시간을 달성하고 데이터를
성공적으로 복호할 수 있는 최적의 시작점을 설정하는 one-shot 에러 복구 방법을 제안한다. 기계학습 모
델의 설계에는 지연시간, 구조상 오버헤드가 없는 입력특징을 고려한다. 제안된 기법을 이용하면 추가적인
읽기 지연 시간 없이 one-shot 복호가 가능한 최적의 시작점을 설정할 수 있다. 또한 공정 상의 오차로 인한
노이즈 양상 변화에 따라 발생할 수 있는 제안 기법의 예측성능 저하를 완화시키기 위해 전이학습을 이용할
수 있음을 제시하였다. 전산 실험을 통해 제안 방식이 높은 정확도로 one-shot 복호를 위한 최적의 시작점을
예측할 수 있으며 기존의 에러 정정 흐름에 비해 평균 읽기 지연시간 성능을 매우 향상시킬 수 있음을 보인다.
