CN114171095B - 3d nand闪存阈值电压分布预测方法、设备及存储系统 - Google Patents

Abstract

本发明公开了一种3D NAND闪存阈值电压分布预测方法、设备及存储系统，属于计算机存储领域，包括：获得已训练好的阈值电压分布预测模型，用于预测由N个干扰特征组合而成的输入特征集合S_I对应的阈值电压分布；干扰特征为影响3D NAND闪存单元阈值电压分布的特征；N为正整数；获得3D NAND闪存的一个或多个干扰特征，组成待测特征集合S_U；若

则将S_U中相对于S_I缺失的干扰特征赋值为0，连同待测特征集合S_U其余干扰特征的取值输入阈值电压分布预测模型，以预测得到3DNAND闪存的阈值电压分布；阈值电压分布预测模型由包含S_I中的N个干扰特征以及对应的阈值电压分布的样本所构成的数据集训练而成。本发明能够提高3D NAND闪存阈值电压分布预测的精度和通用性。

Description

3D NAND闪存阈值电压分布预测方法、设备及存储系统

技术领域

本发明属于计算机存储领域，更具体地，涉及一种3D NAND闪存阈值电压分布预测方法、设备及存储系统。

背景技术

日益增长的存储性能和容量要求，基于三维(3D)NAND闪存的固态驱动器(SSD)正在成为主流选择。同时，随着工艺技术的不断扩展、堆叠层数和存储密度的增加，各种干扰对3D NAND闪存的可靠性和性能提出了巨大的挑战。当前，为缓解可靠性和性能问题，以阈值电压分布模型为骨干，提出了更强的纠错码和自适应读取策略。但此类技术需要深入了解3D NAND闪存中的阈值电压分布。现有的建模方法面临着3D NAND闪存阈值电压分布模型预测的挑战。

现有的针对3D NAND闪存的阈值电压分布进行建模的方法包括面向结果的基于形状的建模方法(the result-oriented Shape-based Modeling method，SBM)和面向原因的基于变量的建模方法(the cause-oriented Variable-based Modeling method，VBM)。SBM使用分布函数对阈值电压分布进行建模，拟合真实的阈值电压分布形状，较好的建模通用性，但其并未具体考虑对阈值电压分布产生影响的复杂因素，导致预测值和真实阈值电压分布之间差距较大；VBM以干扰相关因素为变量构建阈值电压分布模型，在预测精度方面有所提升，但无法统一异构芯片模型、结构和工艺技术的建模，面对不同干扰的影响因素需要手动构造分布函数并进行拟合，在考虑新的干扰因素和分布形态时必须重新建立新的模型，建模通用性较差。总的来说，SBM和VBM无法同时获得较高的预测精度和较好的通用性。

针对上述问题，也有研究人员提出了基于神经网络模型的预测方法，该方法考虑了干扰特征之间的协同作用，能够在3D NAND闪存阈值电压分布模型预测中同时获得较高的预测精度和较好的通用性，但是，在预测精度和通用性方面，仍存在一定的优化空间。

发明内容

针对现有技术的缺陷和改进需求，本发明提供了一种3D NAND闪存阈值电压分布预测方法、设备及存储系统，其目的在于，提高3D NAND闪存阈值电压分布预测的精度和通用性。

为实现上述目的，按照本发明的一个方面，提供了一种3D NAND闪存阈值电压分布预测方法，包括：

获得已训练好的阈值电压分布预测模型，用于预测由N个干扰特征组合而成的输入特征集合S_I对应的阈值电压分布；干扰特征为影响3D NAND闪存单元阈值电压分布的特征；N为正整数；

获得3D NAND闪存的一个或多个干扰特征，组成待测特征集合S_U；若

则将待测特征集合S_U中相对于输入特征集合S_I缺失的干扰特征赋值为0，连同待测特征集合S_U其余干扰特征的取值输入阈值电压分布预测模型，以预测得到3D NAND闪存的阈值电压分布；

其中，阈值电压分布预测模型为神经网络模型。

进一步地，阈值电压分布预测模型，其训练方法包括：

获得第一数据集，其中每一条样本包含输入特征集合S_I中的N个干扰特征，以及对应的阈值电压分布；

利用数据集对神经网络模型进行训练，得到阈值电压分布预测模型；训练时，以样本中的N个干扰特征作为输入，以对应的阈值电压分布作为标签信息。

进一步地，阈值电压分布预测模型的训练方法还包括：

对于第一数据集中的每一条样本，按照各干扰特征对应的概率用0来填充相应的干扰特征，得到新增样本；新增样本不为全0；

利用所有新增样本对阈值电压分布预测模型进行训练，以对阈值电压分布预测模型进行调整，将调整后的模型作为最终的阈值电压分布预测模型。

进一步地，生成新增样本时，各干扰特征的被0填充的概率，与相应干扰特征的使用频率反相关。

进一步地，生成新增样本时，各干扰特征的被0填充的概率，与相应干扰特征与阈值电压分布的相关性反相关。

进一步地，神经网络模型为三层结构，包括输入层、隐藏层和输出层；

并且，3D NAND闪存阈值电压分布预测方法，还包括：

若

则获取第二数据集，其中每一条样本包含输入特征集合S_I中的N个干扰特征和S_I相对于S_U缺失的特征，以及对应的阈值电压分布；第二数据集的规模小于第一数据集；

利用第二数据集对阈值电压分布预测模型进行训练，以得到更新后的阈值电压分布预测模型；

将待测特征集合S_U中相对于输入特征集合S_I缺失的干扰特征赋值为0，连同待测特征集合S_U其余干扰特征的取值输入更新后的阈值电压分布预测模型，以预测得到3D NAND闪存的阈值电压分布。

进一步地，输入特征集合S_I中的N个干扰特征包括以下干扰特征中的至少之一：

编程/擦除周期、数据保存时间、读干扰、层间差异。

进一步地，输入特征集合S_I中的N个干扰特征还包括以下干扰特征中的至少之一：

层内差异、编程干扰和剩余寿命。

按照本发明的另一个方面，提供了一种3D NAND闪存阈值电压分布预测设备，包括：

计算机可读存储介质，用于存储计算机程序；

处理器，用于读取计算机可读存储介质中存储的计算机程序，执行本发明提供的3D NAND闪存阈值电压分布预测方法。

按照本发明的又一个方面，提供了一种基于3D NAND闪存的存储系统，包括：3DNAND闪存和本发明提供的3D NAND闪存阈值电压分布预测设备。

总体而言，通过本发明所构思的以上技术方案，能够取得以下有益效果：

(1)本发明利用通过训练神经网络模型的方式，得到可以根据干扰特征预测阈值电压分布的预测模型，该预测模型在进行预测时，可以同时考虑干扰特征以及干扰特征之间的协同作用对阈值电压分布的影响，具有较高的预测精度；在模型训练时，可通过调整神经网络输入层神经元的数量，扩展模型，例如，在需要考虑其他新的干扰因素时，可以通过增加新的输入神经元以接受新功能；在实际预测过程中，当部分干扰特征缺失时，可以通过将缺失特征用0填充后再输入模型，也可以得到较高的预测精度，因此，具有较高的建模通用性。

(2)本发明在利用完整的数据集训练得到具有较高预测精度的预测模型后，通过使样本中干扰特征随机缺失的方式构造新的训练样本对模型进行二次训练，在保证模型的预测精度的情况下，提高了模型的泛化能力，使得在干扰特征不一致时，也具有较好的预测效果，进一步提高了3D NAND闪存阈值电压分布预测的通用性。

(3)本发明在对预测模型进行二次训练时，根据干扰特征的使用频率，或者干扰特征与阈值电压分布的相关性，设置训练样本中干扰特征缺失的概率，具体地，根据使用频率设置概率时，在实际应用中使用越频繁的干扰特征，缺失的概率越小，使得经过二次训练的调整后，模型与3D NAND闪存在实际应用中的使用特性相符合，因此在实际的预测过程中，能够进一步提高模型的预测精度；根据干扰特征与阈值电压分布的相关性设置概率时，相关性越大的干扰特征，缺失的概率越小，使得在二次训练的过程中，模型会给予重要的干扰特征更多的关注，由此能够进一步提高模型的预测精度。

(4)本发明中，在实际预测时，若出现新的干扰特征，即不包含在模型训练样本中的干扰特征，则会重新获取相应的训练数据，对预测模型再次进行训练更新，并利用更新后的预测模型进行阈值电压分布的预测，由于经过两阶段训练之后，预测模型已经具有了较高的预测精度和较高的泛化能力，仅需利用少量新的训练数据对模型进行更新即可，又由于预测模型为简单的三层结构，该更新训练的过程可快速完成，因此，本发明在出现新增干扰特征的情况下，仅需较小的训练开销即可获得较高的预测精度，通用性更好。

(5)3D NAND闪存阈值电压分布是多种干扰特征的协同作用，在执行擦除或写入操作时，对单元施加高电平电压，存储单元的氧化层逐渐被磨损，电子状态不稳定；同时随着时间的推移，电子也极易逐渐扩散出去；在进行读操作时，同一块中除目标字线之外的其他字线都将被施加低电平电压，相当于弱编程操作，其他字线电压受到影响；此外由于制造技术和堆叠架构，3D NAND闪存引入了由不同层之间的工艺变化主导的独特层变化；基于上述原理，本发明中，原始训练数据中所包含的干扰特征具体为编程/擦除周期、数据保存时间、读干扰和层间差异中的一种或多种，能够充分考虑3D NAND闪存阈值电压分布的影响因素，更为准确地实现阈值电压分布预测。

(6)3D NAND闪存中还存在层内差异，由于制程差异，在同一水平的堆叠层内的字线存在可靠性，性能以及阈值电压分布等方面特性的差异；编程干扰也会在一定程度上影响3DNAND闪存的阈值电压分布，编程干扰包括字线间干扰和存储单元间干扰；3D NAND闪存的单元中，氧化层会随着使用不断被磨损，其存储电子的能力也将受到影响；基于此，本发明中，原始训练数据中进一步包括层内差异、编程干扰和剩余寿命中的一种或多种，可以进一步提高阈值电压分布预测的精度。

附图说明

图1为本发明实施例提供的3D NAND闪存阈值电压分布预测方法的流程图；

图2为本发明实施例中阈值电压分布预测模型的结构示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

在本发明中，本发明及附图中的术语“第一”、“第二”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。

在详细解释本发明的技术方案之前，先对3D NAND闪存相关的内容进行简要介绍如下：

Cell，即存储单元，是一种MOSFET晶体管；Cell是3D NAND闪存的最小存储单元，数据可以用储存在单元的氧化层中的电子数量(电压)来表示；对于每种状态，电子数(电压)在一定范围内呈现特定分布；

3D NAND闪存有3种基本操作：擦除、编程(写入)和读取；擦除操作从单元中清除电子，而编程操作将电子注入单元中；一条字线由几个串联的单元组成，一个块包含多个堆叠在不同层中的字线；任何操作都会干扰目标字线或其相邻字线，导致电子注入或丢失；阈值电压分布在不断的多重干扰的协同作用下动态变化；

阈值电压分布，指阈值电压的不同取值所对应的概率密度；在实际应用中，通常以各阈值电压处的概率密度所构成的一维向量PD＝(pd⁽¹⁾,pd⁽²⁾,..,pd^(M))^T对阈值电压分布进行表示，其中，pd⁽ⁱ⁾表示阈值电压的第i个取值所对应概率密度，i∈{1,2,…M}，M为与阈值电压扫描密度有关的正整数。

以下为实施例。

实施例1：

一种3D NAND闪存阈值电压分布预测方法。

本实施例中，需要预先获取已训练好的阈值电压分布预测模型，该预测模型用于预测由N个干扰特征组合而成的输入特征集合S_I对应的阈值电压分布；干扰特征为影响3DNAND闪存单元阈值电压分布的特征，N为正整数；

在实际应用中，任何会影响3D NAND闪存中单元氧化层存储的电子数量的特征，均可作为干扰特征；

考虑到3D NAND闪存在使用过程中面临前所未有的复杂干扰：编程/擦除(Program/Erase,P/E)操作，会对氧化层造成磨损，导致存储单元的电子状态不稳定；随着时间的推移，电子流失，带来由数据保存时间引起的错误；此外，在进行读操作时，除目标字线之外的其他字线都将被施加低电平电压，相邻字线受到影响，存在不同程度的读干扰；由于制造技术和堆叠架构，不同层之间的工艺变化，导致出现层变化；同一水平的堆叠层内的字线由于制程差异而带来的层内差异，会带来可靠性，性能以及阈值电压分布等方面的特性差异；编程干扰也会在一定程度上影响3DNAND闪存的阈值电压分布，包括字线间干扰和存储单元间干扰，本发明中，优先选取字线间干扰，即字线或页编程时对临近的已编程的字线或页造成的干扰，来衡量编程干扰；3D NAND闪存的单元中，氧化层会随着使用不断被磨损，其存储电子的能力也将受到影响；

作为一种可选的实施方式，本实施例中，输入特征集合S_I中的N个干扰特征包括：编程/擦除周期、数据保存时间、读干扰、层间差异、层内差异，其中，编程/擦除周期记为pe，数据保存时间记为dr，读干扰使用读次数来衡量，记为rd，层间差异使用字线所在层号来衡量，记为ly，层内差异使用层内的字线地址来衡量，记为ilv；因此，输入特征集合S_I可表示为：

S_I＝{pe,dr,rd,ly,ilv}；

应当说明的是，此处所确定的输入特征集合S_I，即预测阈值电压分布具体所依据的干扰特征组合，仅为本发明一种优选的实施例，不应理解为对本发明的唯一限定。

基于所确定的输入特征集合，本实施例中，阈值电压分布预测模型的训练方法如图1所示，模型的结构如图2所示，为简单的三层结构，三层分别是：一个输入层、一个隐藏层和一个输出层；输入层用于输入各种干扰特征；输出层神经元的数量与阈值电压扫描密度有关，输出神经元越多，模型就越准确，但复杂性也越高；隐藏层实现非线性激活函数，整流线性单元，其中的神经元数取决于输入层和输出层，一般根据测试效果对其进行调整以找到合适的神经元数；应当说明的是，图2所示神经网络模型，仅为本发明一种可选的实施方式，该模型中隐藏层数量等参数，也可根据实际需要灵活调整，例如，隐藏层也可有多层；在本发明其他的一些实施例中，也可使用其他类型的机器学习模型，例如，也可以是支持向量机(Support Vector Machine,SVM)。

如图1所示，阈值电压分布预测模型的训练方法包括：获得第一数据集，其中每一条样本包含所述输入特征集合S_I中的N个干扰特征，以及对应的阈值电压分布；

利用所述数据集对神经网络模型进行训练，得到所述阈值电压分布预测模型；训练时，以样本中的N个干扰特征作为输入，以对应的阈值电压分布作为标签信息；

基于训练好的模型，本实施例提供的3D NAND闪存阈值电压分布预测方法如图1所示，具体包括：

获得3D NAND闪存的一个或多个干扰特征，组成待测特征集合S_U；根据待测特征集合S_U与输入特征集合S_I之间不同的匹配关系，会进行不同的处理；

若

则将待测特征集合S_U中相对于输入特征集合S_I缺失的干扰特征赋值为0，连同待测特征集合S_U其余干扰特征的取值输入阈值电压分布预测模型，以预测得到3DNAND闪存的阈值电压分布；

时，可能存在两种情况，一种情况是S_U＝S_I，此时S_U相对于S_I不存在缺失的干扰特征，直接将S_U中各干扰特征的取值输入阈值电压分布预测模型即可；另一种情况是S_U≠S_I，此时S_U相对于S_I存在缺失的干扰特征，将缺失的干扰特征赋值为0，在与其他特征一起输入阈值电压分布预测模型即可。

实施例2：

一种3D NAND闪存阈值电压分布预测方法，本实施例与上述实施例1类似，所不同之处在于，为了进一步提高模型的通用性，本实施例还包括：

对于第一数据集中的每一条样本，按照各干扰特征对应的概率用0来填充相应的干扰特征，得到新增样本；新增样本不为全0；

利用所有新增样本对阈值电压分布预测模型进行训练，以对阈值电压分布预测模型进行调整，将调整后的模型作为最终的阈值电压分布预测模型。

本实施例将模型的训练分为了两个阶段，在第一个阶段中，使用完整的样本对模型进行训练，使得模型可以同时考虑干扰特征以及干扰特征之间的协同作用对阈值电压分布的影响，所得到的初始预测模型具有较高的预测精度；本实施例在第二阶段的训练过程中，通过使样本中干扰特征随机缺失的方式构造新的训练样本对模型进行二次训练，以对模型进行微调，在保证模型的预测精度的情况下，提高了模型的泛化能力，使得在干扰特征不一致时，也具有较好的预测效果，进一步提高了阈值电压分布预测的通用性。

在第二阶段中，各干扰特征可以等概率缺失，即不考虑特征之间的差异，将各干扰特征视为同等重要，由此可以简化第二阶段的训练过程；各干扰特征的缺失概率，也可根据使用频率来设定，具体地，在实际应用中使用越频繁的干扰特征，缺失的概率越小，使得经过二次训练的调整后，模型与3D NAND闪存在实际应用中的使用特性相符合，因此在实际的预测过程中，能够进一步提高模型的预测精度；各干扰特征的缺失概率，也可根据干扰特征与阈值电压分布的相关性设置，具体地，相关性越大的干扰特征，缺失的概率越小，使得在二次训练的过程中，模型会给予重要的干扰特征更多的关注，由此能够进一步提高模型的预测精度。基于相关性设置干扰特征在第二阶段的缺失概率时，干扰特征与阈值电压分布之间的相关性，可依据相关系数计算，也可使用XGBoost等深度学习方法获取；

为简化模型的训练，可选地，本实施例中，在第二阶段的模型训练过程中，各干扰特征缺失的缺失概率相等。

实施例3：

一种3D NAND闪存阈值电压分布预测方法，本实施例与上述实施例2类似，所不同之处在于，考虑到在实际预测中，可能使用新的干扰特征，为了进一步提高阈值电压分布预测的通用性，本实施例还包括：

若

即S_U中存在S_I中没有的干扰特征，此时，具体的预测过程包括：获取第二数据集，其中每一条样本包含输入特征集合S_I中的N个干扰特征和S_I相对于S_U缺失的特征，以及对应的阈值电压分布；第二数据集的规模小于第一数据集；

利用第二数据集对阈值电压分布预测模型进行训练，以得到更新后的阈值电压分布预测模型；

将待测特征集合S_U中相对于输入特征集合S_I缺失的干扰特征赋值为0，连同待测特征集合S_U其余干扰特征的取值输入更新后的阈值电压分布预测模型，以预测得到3D NAND闪存的阈值电压分布。

在实际预测时，若出现了新的干扰特征，直接使用模型进行预测，预测精度会受到影响，在这种情况下，本实施例重新获取相应的训练数据，对预测模型再次进行训练更新，由于经过两阶段训练之后，预测模型已经具有了较高的预测精度和较高的泛化能力，仅需利用少量新的训练数据对模型进行更新，即可使更新后的模型与新的干扰特征相适应，获得较高的预测精度，又由于预测模型为简单的三层结构，该更新训练的过程可快速完成，更新开销较少，因此，实施例在出现新增干扰特征的情况下，仅需较小的训练开销即可获得较高的预测精度，通用性更好。

实施例4：

一种3D NAND闪存阈值电压分布预测方法，本实施例与上述实施例1类似，所不同之处在于，本实施例中，输入特征集合S_I中的N个干扰特征包括：NAND闪存的剩余寿命、数据保存时间、读干扰和层间差异；

3D NAND闪存的单元中，氧化层会随着使用不断被磨损，其存储电子的能力也将受到影响，因此，3D NAND闪存的剩余寿命也与阈值电压分布存在着紧密的联系；应当说明的是，编程/擦除周期一定程度上也可以反映3D NAND闪存的剩余寿命，但是，由于3D NAND闪存复杂的工作机制，其剩余寿命会受到多种因素的影响，因此，需要对剩余寿命进行单独考虑。

3D NAND闪存剩余寿命的获取方式，可参考“CN 109637576 A”、“CN109815534A”等文献中记载的技术方案，在此将不做赘述。

实施例5：

一种3D NAND闪存阈值电压分布预测设备，包括：

计算机可读存储介质，用于存储计算机程序；

处理器，用于读取计算机可读存储介质中存储的计算机程序，执行上述实施例1～4任一项提供的3D NAND闪存阈值电压分布预测方法。

实施例6：

一种基于3D NAND闪存的存储系统，包括：3D NAND闪存和上述实施例5提供的3DNAND闪存阈值电压分布预测设备。

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种3D NAND闪存阈值电压分布预测方法，其特征在于，包括：

获得已训练好的阈值电压分布预测模型，用于预测由N个干扰特征组合而成的输入特征集合S_I对应的阈值电压分布；所述干扰特征为影响所述3D NAND闪存阈值电压分布的特征；N为正整数；

获得所述3D NAND闪存的一个或多个干扰特征，组成待测特征集合S_U；若

则将所述待测特征集合S_U中相对于所述输入特征集合S_I缺失的干扰特征赋值为0，连同所述待测特征集合S_U其余干扰特征的取值输入所述阈值电压分布预测模型，以预测得到所述3D NAND闪存阈值电压分布；

其中，所述阈值电压分布预测模型为神经网络模型，其训练方法包括：

获得第一数据集，其中每一条样本包含所述输入特征集合S_I中的N个干扰特征，以及对应的阈值电压分布；

利用所述第一数据集对神经网络模型进行训练，得到所述阈值电压分布预测模型；训练时，以样本中的N个干扰特征作为输入，以对应的阈值电压分布作为标签信息。

2.如权利要求1所述的3D NAND闪存阈值电压分布预测方法，其特征在于，所述阈值电压分布预测模型的训练方法还包括：

对于所述第一数据集中的每一条样本，按照各干扰特征对应的概率用0来填充相应的干扰特征，得到新增样本；新增样本不为全0；

利用所有新增样本对所述阈值电压分布预测模型进行训练，以对所述阈值电压分布预测模型进行调整，将调整后的模型作为最终的阈值电压分布预测模型。

3.如权利要求2所述的3D NAND闪存阈值电压分布预测方法，其特征在于，生成新增样本时，各干扰特征的被0填充的概率，与相应干扰特征的使用频率反相关。

4.如权利要求2所述的3D NAND闪存阈值电压分布预测方法，其特征在于，生成新增样本时，各干扰特征的被0填充的概率，与相应干扰特征与阈值电压分布的相关性反相关。

5.如权利要求1所述的3D NAND闪存阈值电压分布预测方法，其特征在于，所述神经网络模型为三层结构，包括输入层、隐藏层和输出层；

并且，所述3D NAND闪存阈值电压分布预测方法，还包括：

若

则获取第二数据集，其中每一条样本包含所述输入特征集合S_I中的N个干扰特征和S_I相对于S_U缺失的特征，以及对应的阈值电压分布；所述第二数据集的规模小于所述第一数据集；

利用所述第二数据集对所述阈值电压分布预测模型进行训练，以得到更新后的阈值电压分布预测模型；

将所述待测特征集合S_U中相对于所述输入特征集合S_I缺失的干扰特征赋值为0，连同所述待测特征集合S_U其余干扰特征的取值输入所述更新后的阈值电压分布预测模型，以预测得到所述3D NAND闪存的阈值电压分布。

6.如权利要求1～5任一项所述的3D NAND闪存阈值电压分布预测方法，其特征在于，所述输入特征集合S_I中的N个干扰特征包括以下干扰特征中的至少之一：

编程/擦除周期、数据保存时间、读干扰、层间差异。

7.如权利要求6所述的3D NAND闪存阈值电压分布预测方法，其特征在于，所述输入特征集合S_I中的N个干扰特征还包括以下干扰特征中的至少之一：

层内差异、编程干扰和剩余寿命。

8.一种3D NAND闪存阈值电压分布预测设备，其特征在于，包括：

计算机可读存储介质，用于存储计算机程序；

处理器，用于读取所述计算机可读存储介质中存储的所述计算机程序，执行权利要求1～7任一项所述的3D NAND闪存阈值电压分布预测方法。

9.一种基于3D NAND闪存的存储系统，其特征在于，包括：3D NAND闪存和权利要求8所述的3D NAND闪存阈值电压分布预测设备。

Images