NAND在今日儲存市場中占有一席之地，而為了延長NAND的使用壽命，近來有研究提出，透過機器學習(Machine Learning)的應用，可讓NAND的儲存容量、耐久性以及資料保存達到最佳化。

　　InformationWeek網站報導，近期數位資料儲存顧問機構Coughlin Associates于快閃存儲器高峰會(Flash Memory Summit)揭露了一篇論文指出，NAND因重覆讀寫而使儲存單元劣化、致使耐用度降低的情況，將可望因機器學習的應用而改善，使其生命周期延長。

　　一般來說，Flash存儲器的組成包括了浮閘(Floating Gate)及絕緣層等構造，運作時透過施加高電壓電流以推動電荷、使其突破絕緣層進入浮閘，并在絕緣層的阻隔下，于斷電后仍可將電荷保留在浮閘中不會消失，因而得以將資料儲存下來。

　　而當要清除電荷時，則施以反向高電壓以吸引電荷離開浮閘，如此便可清除資料。在這樣的過程中，絕緣層的效能會逐漸衰退，使得要將電荷保留在浮閘上變得日益困難。

　　在儲存單元老化后，所需的電壓會更高，但這樣一來絕緣層的損耗會更快，一旦電荷開始滲漏，就會使浮閘的電壓改變，并產生位元錯誤。

　　報導認為，一旦了解電荷的滲漏率，便能預測出儲存單元里的資料還能完整保存多久，若儲存單元使用頻率越高，也可預期裝置的使用年限將會縮短。隨著存儲器芯片設計越來越復雜、堆疊層數越來越多，NAND運作時受到各種內外在因素影響的程度也跟著加遽。

　　想透過手動的方式對暫存器或電壓等因子進行調配以改善，幾乎是不可能，故提出以機器學習方式來了解固態硬碟(SSD)的運作模式，并進行必要之調配，以延長使用周期。

　　透過機器學習的應用，可得知存儲器芯片的特征以及資料儲存的模式，并進一步為芯片的運作、及應如何修正運作以延長使用壽命，建立出一套最佳模型。

　　這種利用機器學習來延長高容量SSD系統使用壽命的應用已然是一新興領域，早早就投入此領域開發、并已推出相關產品的愛爾蘭新創公司NVMdurance亦贊助了論文研究。

　　在NVMdurance版本的機器學習中，是由名為Plotter的機器學習引擎，利用測試資料來調諧運行中之裝置的暫存器來進行。

　　NVMdurance的技術主要是讓裝置最初開始使用時，就能在自動化引擎的輔助下，盡可能將電壓控制在最低，以降低對儲存單元的損耗，并監控SSD儲存單元電荷滲漏的情況，此外，亦能為NAND儲存裝置是否應汰舊換新提供相關預測。

　　過去NVMdurance的最佳化技術原是以手動執行，然此類做法已不適用于今日復雜度極高的NAND存儲器上，此次與Coughlin Associates的合作研究，將可望讓NVMdurance的產品更上層樓，提升其在該領域之競爭力。