本研究由加州大学圣地亚哥分校（University of California, San Diego）电气与计算机工程系的Simeng Zheng和Paul H. Siegel共同完成，论文发表于2022年IEEE信息论研讨会（IEEE Information Theory Workshop, ITW）。
研究领域：本研究属于数据存储系统与机器学习的交叉领域，聚焦于NAND闪存信道的建模与优化。随着闪存器件尺寸缩小和单元比特密度提升，单元间干扰（Inter-Cell Interference, ICI）和扰动效应加剧，导致读写错误率上升。传统方法通过约束编码（Constrained Coding）避免易错模式，但编码设计需依赖对信道特性的精确建模。
研究动机：现有统计模型（如基于循环编程/擦除（P/E）周期、ICI和保留时间的模型）未充分验证模式依赖性错误的时空特性。此前提出的生成式闪存建模（Generative Flash Modeling, GFM）虽能捕捉伪随机数据的时空特征，但无法直接适用于编码约束信道。
研究目标：提出一种基于迁移学习的编码感知GFM框架，通过预训练模型的知识迁移，减少对编码约束数据的大规模实验依赖，实现高效、精确的电压分布重构。
GFM采用条件VAE-GAN（Conditional VAE-GAN）架构，包含三个模块：
- 编码器（Encoder）：基于变分自编码器（VAE）从实测电压（VL）生成潜变量（Z）。
- 生成器（Generator）：输入编程电平（PL）、P/E周期和潜变量，重构电压阵列（ṼL）。
- 判别器（Discriminator）：区分真实VL与生成ṼL。
训练与评估模式：
- 训练阶段：ṼL = Generator(PL, P/E, Encoder(VL))
- 评估阶段：ṼL = Generator(PL, P/E, Z)，Z采样自标准高斯分布。
核心创新：通过预训练伪随机数据模型，微调编码约束数据模型。具体步骤：
1. 预训练阶段：使用大规模伪随机数据集（1.5×10⁵样本）训练GFM，学习基础信道特性。
2. 微调阶段：
- 目标数据集：两种约束编码（WL方向约束SWL和2D约束S2D），各1.5×10⁴样本。
- 约束条件：
- SWL禁止WL方向上的{000, 010}模式（消除707、706、607等高-低-高ICI模式）。
- S2D禁止WL和BL双向的{000, 010}模式。
- 迁移配置：共享预训练模型的全部参数（Encoder、Generator、Discriminator），学习率2×10⁻⁴，批量大小2。
数据集：商用1x-nm TLC闪存芯片，P/E周期为4000、7000、10000次。
评估指标：
- 电压分布（PDF）分析：通过总变差距离（Total Variation Distance, DTV）量化生成与实测分布的差异。
- 误码率（BER）分析：对比不同页（Lower/Middle/Upper）的实测与重构BER。
- 训练效率：记录达到收敛所需的迭代次数。
科学价值：
1. 提出首个结合迁移学习与生成模型的闪存信道建模框架，解决了编码约束数据稀缺下的建模难题。
2. 验证了预训练知识在跨任务（伪随机→约束数据）迁移中的有效性，为存储系统的机器学习应用提供新范式。
应用价值：
- 为约束编码与纠错码（ECC）的联合优化提供工具，可加速高密度闪存的编码设计。
- 通过减少实验开销（目标数据集规模仅为源数据的10%），降低工业界研发成本。