Non ECC記憶體的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列免費下載的地點或者是各式教學

針對SSD應用之3D三層單元NAND快閃記憶體之錯誤預測模型

為了解決Non ECC記憶體的問題，作者凌子程 這樣論述：

NAND 快閃記憶體最近在數據存儲中得到了廣泛的應用。不幸的是，快閃記憶體塊存在一些可靠性問題。如果我們繼續對快閃記憶體塊進行編程和擦除，可靠性問題將變得更加嚴重，最終可能會出現一些錯誤，例如大量糾錯碼（ECC）失敗甚至數據丟失。為了防止這種情況的發生，我們使用機器學習技術來構建預測模型，以預測芯片內在特定原始誤碼率(RBER) 下塊的剩餘壽命。為了驗證預測的有效性，我們使用SSDsim 並運行內置的磨損均衡算法來比較在我們自己創建的基線、預測和雙約束實驗下的失敗塊數和浪費的P/E 週期數. 我們發現，與傳統方法相比，基於預測的解決方案確實可以提高可靠性。結果表明，預測和雙約束實驗中的失敗塊

數少於基線實驗。並且隨著加入到預測結果中的偏差發生變化，預測實驗中浪費的P/E 週期數最終會少於基線實驗。由於更嚴格的限制，雙約束實驗浪費的P/E 週期數仍然更高。

深度學習神經網路加速器快閃記憶體錯誤抗拒技術之研究

為了解決Non ECC記憶體的問題，作者吳昱陞 這樣論述：

近年來，深度神經網路 (Deep Neural Network, DNN) 快速得發展，至今已應用在許多領域，例如智慧家電、人臉辨識與自動駕駛等等。深度神經網路模型透過大量的訓練資料，使正確率 (Accuracy) 達到一定標準，而訓練完成後會產生大量的權重資料 (Weight)，這些權重資料必須被儲存下來。快閃記憶體為適合之儲存裝置來儲存這些權重資料，快閃記憶體為具有低功耗、可擴充性、高效能等優點的非揮發性記憶體，隨著製程發展，雖然快閃記憶體有較高的儲存密度與較低的成本，但同時也造成了可靠度 (Reliability) 與耐久度 (Endurance) 降低的問題。若是儲存之權重資料發生錯

誤，在運算過程中將會產生誤差，導致正確率下降，因此本篇論文提出位址重映射容錯技術保護儲存於快閃記憶體之權重資料，本篇分析了權重資料之位元敏感度，定義出較重要之位元，並透過轉置電路將重要位元集中，本篇也提出位址重映射演算法進行重映射分析，透過位址重映射演算法將重要位元位址重映射至較安全位址，以提升深度神經網路模型之可靠度，使錯誤對正確率影響降低。本篇論文實現了位址重映射技術電路，並且以深度學習框架開發模擬器，模擬不同深度神經網路模型應用位址重映射技術之實驗，實驗結果顯示當位元錯誤率 (Bit Error Rate, BER) 達到 0.05 % 時，深度神經網路模型 VGG16 在無修復技術之正

確率下降約 30 %，本篇提出之技術仍可維持深度神經網路模型之正確率下降在 1 % 之內，而本篇也分析位址重映射技術之硬體成本，實驗結果顯示本篇提出之位址重映射技術使用的額外硬體成本不超過 0.2 %。