机器学习或能为延长NAND寿命提供解决方案

　　NAND在今日储存市场中占有一席之地，而为了延长NAND的使用寿命，近来有研究提出，透过机器学习(Machine Learning)的应用，可让NAND的储存容量、耐久性以及资料保存达到最佳化。

　　InformationWeek网站报导，近期数位资料储存顾问机构Coughlin Associates于快闪存储器高峰会(Flash Memory Summit)揭露了一篇论文指出，NAND因重覆读写而使储存单元劣化、致使耐用度降低的情况，将可望因机器学习的应用而改善，使其生命周期延长。

　　一般来说，Flash存储器的组成包括了浮闸(Floating Gate)及绝缘层等构造，运作时透过施加高电压电流以推动电荷、使其突破绝缘层进入浮闸，并在绝缘层的阻隔下，于断电后仍可将电荷保留在浮闸中不会消失，因而得以将资料储存下来。

　　而当要清除电荷时，则施以反向高电压以吸引电荷离开浮闸，如此便可清除资料。在这样的过程中，绝缘层的效能会逐渐衰退，使得要将电荷保留在浮闸上变得日益困难。

　　在储存单元老化后，所需的电压会更高，但这样一来绝缘层的损耗会更快，一旦电荷开始渗漏，就会使浮闸的电压改变，并产生位元错误。

　　报导认为，一旦了解电荷的渗漏率，便能预测出储存单元里的资料还能完整保存多久，若储存单元使用频率越高，也可预期装置的使用年限将会缩短。随着存储器芯片设计越来越复杂、堆叠层数越来越多，NAND运作时受到各种内外在因素影响的程度也跟着加遽。

　　想透过手动的方式对暂存器或电压等因子进行调配以改善，几乎是不可能，故提出以机器学习方式来了解固态硬碟(SSD)的运作模式，并进行必要之调配，以延长使用周期。

　　透过机器学习的应用，可得知存储器芯片的特征以及资料储存的模式，并进一步为芯片的运作、及应如何修正运作以延长使用寿命，建立出一套最佳模型。

　　这种利用机器学习来延长高容量SSD系统使用寿命的应用已然是一新兴领域，早早就投入此领域开发、并已推出相关产品的爱尔兰新创公司NVMdurance亦赞助了论文研究。

　　在NVMdurance版本的机器学习中，是由名为Plotter的机器学习引擎，利用测试资料来调谐运行中之装置的暂存器来进行。

　　NVMdurance的技术主要是让装置最初开始使用时，就能在自动化引擎的辅助下，尽可能将电压控制在最低，以降低对储存单元的损耗，并监控SSD储存单元电荷渗漏的情况，此外，亦能为NAND储存装置是否应汰旧换新提供相关预测。

　　过去NVMdurance的最佳化技术原是以手动执行，然此类做法已不适用于今日复杂度极高的NAND存储器上，此次与Coughlin Associates的合作研究，将可望让NVMdurance的产品更上层楼，提升其在该领域之竞争力。