지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 지도교수
- 백준걸
- 발행연도
- 2022
- 저작권
- 고려대학교 논문은 저작권에 의해 보호받습니다.
이용수2
이 논문의 연구 히스토리 (3)
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
낸드 플래시 메모리 시장의 빠른 성장과 함께 3D 낸드 플래시 메모리의 적층 수도 꾸준히 증가하는 추세이다. 늘어나는 적층 수로 인해 낸드 플래시 메모리는 다양한 물리적 특성으로 다양한 셀 문턱 전압 분포를 갖게 된다. 또한, 데이터 방치의 열화가 더해지면 셀 문턱 전압 분포는 더욱 다양해진다. 임베디드 메모리 제품 동작 중에 이러한 다양한 셀 문턱 전압 분포를 고려하여 센싱 레벨을 도출이 어렵다. 본 논문은 기계 학습을 활용하여 Soft Decision (SD) 수행을 위한 센싱 레벨 (Sensing Level, SL) 예측 방법을 제안한다. 제안된 방법은 다양한 셀 문턱 전압 분포를 반영한 모델 구축 가능성을 실험적으로 확인하였다. 모델의 예측 정확도는 확률 기반 예측 방법 대비 약 36 ~ 52%p 향상된 94 ~ 99%의 우수한 성능을 확인하였다.
목차
1. 서론 12. 배경 지식 및 관련 연구 52.1 다양한 셀 문턱 전압 분포 52.2 Flash Memory에서 LDPC의 기초 72.3 Sensing Level과 SER의 관계 82.4 균등 분할 모델과 확률 기반 모델 103. 센싱 레벨(SL) 예측 모델 123.1 방치 열화 실험 데이터 133.2 SER별 셀 문턱 전압 분포 기반의 SL 확보 133.3 ML 기반의 모델 학습 및 예측 143.4 평가 지표 183.4.1 MAE & MSE 183.4.2 허용 구간에 대한 정확도 194. 학습 모델 성능 평가 204.1 예측 모델 간 성능 비교 204.2 목표 SER별 ML 기반의 모델 간 성능 비교 234.3 다구간 확률 기반 모델 성능 확인 245. 결론 28참고문헌 30
최근 본 자료
댓글(0)
0