-
公开(公告)号:CN115878367A
公开(公告)日:2023-03-31
申请号:CN202211115689.3
申请日:2022-09-14
申请人: 三星电子株式会社
摘要: 提供了一种存储器模块的操作方法和存储器控制器的操作方法,所述存储器控制器被配置为:控制包括多个存储器装置和至少一个纠错码(ECC)装置的存储器模块。所述存储器控制器的操作方法包括:基于读取命令和第一地址,读取包括存储在所述多个存储器装置中的用户数据和存储在所述至少一个ECC装置中的ECC数据的数据集;以及当用户数据的错误未基于ECC数据被纠正时,将不可纠正数据写入存储区域中,存储区域被包括在所述多个存储器装置和所述至少一个ECC装置中的每个中并且与第一地址对应。
-
公开(公告)号:CN115346566A
公开(公告)日:2022-11-15
申请号:CN202210030774.3
申请日:2022-01-12
申请人: 三星电子株式会社
摘要: 本申请涉及主机、存储器模块及存储器装置的操作方法。一种具有多个存储器单元的存储器装置的操作方法,包括在命令/地址输入间隔期间接收包括部分写入使能信号(PWE)和多个掩码信号的部分写入命令。在接收到部分写入命令后,通过数据选通线接收数据选通信号。在数据输入间隔期间通过多个数据线与数据选通信号同步地接收数据。在数据写入间隔期间,响应于部分写入使能信号,基于多个掩码信号将数据的一部分储存在多个存储器单元中。
-
-
公开(公告)号:CN114863969A
公开(公告)日:2022-08-05
申请号:CN202111204990.7
申请日:2021-10-15
申请人: 三星电子株式会社
IPC分类号: G11C11/406 , G11C11/4063
摘要: 提供一种跳过刷新操作的存储器件及其操作方法。所述存储器件包括:存储单元阵列,所述存储单元阵列包括N个行;刷新控制器,所述刷新控制器被配置为基于刷新命令控制针对所述存储单元阵列的所述N个行的刷新操作;以及访问信息存储电路,所述访问信息存储电路包括多个寄存器,所述多个寄存器被配置为存储与所述N个行中的每一行对应的标志信息,其中,所述标志信息在具有第一值时指示已被访问的行,并且在具有第二值时指示未被访问的行。所述刷新控制器进一步被配置为:基于与所述第一行对应的所述标志信息,控制是否在针对所述第一行的刷新定时针对所述N个行中的第一行执行刷新操作。
-
公开(公告)号:CN113744775A
公开(公告)日:2021-12-03
申请号:CN202110041714.7
申请日:2021-01-13
申请人: 三星电子株式会社
摘要: 提供了存储器装置和包括存储器装置的存储器模块。所述存储器装置包括与多个存储器存储体通信的外围电路。所述多个存储体中的每个包括:存储器单元阵列,包括多个存储器单元;行解码器,通过多条字线与所述多个存储器单元连接;位线感测放大器,通过包括第一位线和第二位线的多条位线与所述多个存储器单元连接;和列解码器,被配置为将位线感测放大器与外围电路连接。存储器单元阵列包括:与第一位线连接的第一区段以及与第二位线连接的第二区段,并且第一区段和第二区段针对与行相关的错误彼此独立。
-
公开(公告)号:CN110874810B
公开(公告)日:2024-07-02
申请号:CN201910535301.7
申请日:2019-06-19
申请人: 三星电子株式会社
摘要: 一种电子设备,包括图形处理器和存储器件。图形处理器包括人工神经网络引擎,人工神经网络引擎通过使用学习数据和权重使对象识别模型学习以提供学习后的对象识别模型。存储器件将特征向量划分为第一子特征向量和第二子特征向量,并且执行第一计算以将第二子特征向量和权重应用于学习后的对象识别模型来提供第二对象识别结果。人工神经网络引擎执行第二计算以将第一子特征向量和权重应用于学习后的对象识别模型来提供第一对象识别结果,并且将第一对象识别结果提供给存储器件。第二计算与第一计算并行执行。
-
-
-
公开(公告)号:CN113760598A
公开(公告)日:2021-12-07
申请号:CN202110609330.0
申请日:2021-06-01
申请人: 三星电子株式会社
摘要: 提供了一种存储器模块及操作方法。所述存储器模块包括:存储器装置,被配置为:从主机接收第一刷新命令,并且在刷新时间期间响应于第一刷新命令而执行刷新操作;以及计算单元,被配置为:检测从主机提供给存储器装置的第一刷新命令,并且在刷新时间期间将第一错误图案写入存储器装置的第一地址处。
-
公开(公告)号:CN110874810A
公开(公告)日:2020-03-10
申请号:CN201910535301.7
申请日:2019-06-19
申请人: 三星电子株式会社
摘要: 一种电子设备,包括图形处理器和存储器件。图形处理器包括人工神经网络引擎,人工神经网络引擎通过使用学习数据和权重使对象识别模型学习以提供学习后的对象识别模型。存储器件将特征向量划分为第一子特征向量和第二子特征向量,并且执行第一计算以将第二子特征向量和权重应用于学习后的对象识别模型来提供第二对象识别结果。人工神经网络引擎执行第二计算以将第一子特征向量和权重应用于学习后的对象识别模型来提供第一对象识别结果,并且将第一对象识别结果提供给存储器件。第二计算与第一计算并行执行。
-
-
-
-
-
-
-
-
-