磁盘装置及读处理方法与流程

阅读：评论：0

磁盘装置及读处理方法
1.相关申请
2.本技术享有以日本专利申请2020-151367号(申请日：2020年9月9日)作为在先申请的优先权。本技术通过参照该在先申请而包括在先申请的全部内容。
技术领域
3.本发明的实施方式涉及磁盘装置及读处理方法。

背景技术：

4.磁盘装置安装有软判定维特比算法(soft output viterbi algorithm：sova)和低密度奇偶校验(low density parity check：ldpc)。磁盘装置基于由sova的维特比解码处理算出的似然度来执行基于ldpc的纠错处理。

技术实现要素：

5.本发明的实施方式提供一种能够提高可靠性的磁盘装置及读处理方法。
6.本实施方式涉及的磁盘装置具备：盘；头，对所述盘写入数据，从所述盘读取数据；以及控制器，通过基于设定为1以外的似然度的正解的教师信号和设定为0以外的似然度的正解以外的教师信号的机器学习，将第1信号校正为第1似然度值，基于与所述第1信号和所述第1似然度值相应的第2似然度值来执行纠错处理。
附图说明
7.图1是示出实施方式的磁盘装置的构成的框图。
8.图2是示出头相对于实施方式的盘的配置的一例的示意图。
9.图3是示出r/w通道的读系统的一例的框图。
10.图4是示出llr相对于比特位置的变化的示意图。
11.图5是示出实施方式的读处理方法的一例的流程图。
12.图6是示出变形例1的r/w通道的读系统的一例的框图。
13.图7是示出扇区错误率相对于轨道(track)密度的变化的一例的示意图。
14.图8是示出变形例1的读处理方法的一例的流程图。
15.图9是示出变形例2的r/w通道的读系统的一例的框图。
16.图10是示出变形例2的读处理方法的一例的流程图。
17.图11是示出变形例3的r/w通道的读系统的一例的框图。
18.图12是示出变形例3的读处理方法的一例的流程图。
具体实施方式
19.以下，参照附图对实施方式进行说明。此外，附图是一例，并不限定发明的范围。
20.(实施方式)
21.图1是示出实施方式涉及的磁盘装置1的构成的框图。
22.磁盘装置1具备后述的头盘组件(hda)、驱动器ic20、头放大器集成电路(以下，也有时称为头放大器ic或前置放大器)30、易失性存储器70、非易失性存储器80、缓冲存储器(缓存)90、以及作为单芯片的集成电路的系统控制器130。另外，磁盘装置1与主机系统(主机)100连接。
23.hda具有磁盘(以下，称为盘)10、主轴马达(spm)12、搭载有头15的臂13以及音圈马达(vcm)14。盘10安装于主轴马达12，通过主轴马达12的驱动而旋转。臂13和vcm14构成致动器。致动器通过vcm14的驱动，将搭载于臂13的头15移动控制到盘10的预定的位置。盘10和头15也可以设置2个以上的数量。
24.在盘10中，在能够写入数据的区域中分配能够由用户利用的用户数据区域10a、和记录系统管理所需的信息的系统区域10b。此外，在盘10中，也可以分配将从主机100等传送的数据(或命令)在向用户数据区域10a的预定区域写入之前暂时进行保持的介质缓存(也有时称为介质缓存区域)，来作为与用户数据区域10a和系统区域10b不同的区域。以下，将从盘10的内周朝向外周的方向、或从盘10的外周朝向内周的方向称为半径方向。在半径方向上，从内周朝向外周的方向被称为外方向(或外侧)，从外周朝向内周的方向，即，与外方向相反的方向被称为内方向(或内侧)。将与盘10的半径方向正交的方向称为圆周方向。即，圆周方向相当于沿着盘10的圆周的方向。另外，也有时将盘10的半径方向的预定位置称为半径位置，将盘10的圆周方向的预定位置称为圆周位置。也有时将半径位置和圆周位置汇总仅称为位置。盘10按半径方向的每个预定的范围划分为多个区域(以下，也有时称为区(zone)或区区域)。在区中，能按半径方向的每个预定的范围写入数据。换言之，能在区中写入多个轨道。在轨道中能对圆周方向的每个预定的范围写入数据。换言之，轨道包含多个扇区。此外，“轨道”以在半径方向上按每个预定的范围划分盘10而得到的多个区域中的一个区域、盘10的预定的半径位置处的头15的路径、在盘10的预定的半径方向上沿圆周方向延伸的数据、向盘10的预定轨道写入的1周的数据、向盘10的预定的轨道写入的数据、或其他各种含义而使用。“扇区”以在圆周方向上划分盘10的预定轨道而得到的多个区域中的一个区域、向盘10的预定的半径位置处的预定的圆周位置写入的数据、向盘10的预定的扇区写入的数据、或其他各种含义而使用。也有时将“轨道的半径方向的宽度”称为“轨道宽度”。另外，也有时将“扇区的半径方向的宽度”称为“扇区宽度”。
25.头15以滑块为主体，具备安装于该滑块的写入头15w和读取头15r。写入头15w向盘10写入数据。例如，写入头15w向盘10写入预定的轨道。读取头15r读取记录于盘10的数据。例如，读取头15r读取盘10的预定的轨道。
26.图2是示出头15相对于本实施方式的盘10的配置的一例的示意图。如图2所示，将在圆周方向上，将盘10旋转的方向称为旋转方向。此外，在图2所示的例子中，旋转方向用逆时针方向表示，但也可以是相反(顺时针)的方向。
27.头15通过vcm14的驱动而相对于盘10绕旋转轴旋转，并从内方向朝向外方向向预定的位置移动、或者从外方向朝向内方向移动。
28.在图2所示的例子中，在盘10中，系统区域10b配置在用户数据区域10a的外方向。在图2所示的例子中，系统区域10b配置在盘10的最外周。此外，系统区域10b也可以配置在与图2所示的位置不同的位置。
29.驱动器ic20根据系统控制器130(详细而言，后述的mpu60)的控制来控制spm12和vcm14的驱动。
30.头放大器ic(前置放大器)30具备读取放大器和写入驱动器。读取放大器放大从盘10读取出的读取信号，并将其向系统控制器130(详细而言，后述的读取/写入(r/w)通道60)输出。写入驱动器向头15输出与从r/w通道60输出的写入数据相应的写入电流。
31.易失性存储器70是若切断电力供给则所保存的数据会丢失的半导体存储器。易失性存储器70保存磁盘装置1的各部中的处理所需的数据等。易失性存储器70例如是dram(dynamic random access memory：动态随机访问存储器)或sdram(synchronous dynamic random access memory：同步动态随机访问存储器)。
32.非易失性存储器80是即使切断电力供给也记录所保存的数据的半导体存储器。非易失性存储器80例如是nor型或nand型的闪存rom(flash read only memory：from(闪存只读存储器))。
33.缓冲存储器90是暂时记录在磁盘装置1与主机100之间收发的数据等的半导体存储器。此外，缓冲存储器90也可以与易失性存储器70一体地构成。缓冲存储器90例如是dram、sram(static random access memory：静态随机访问存储器)、sdram、feram(ferroelectric random access memory：铁电随机访问存储器)、或mram(magnetoresistive random access memory：磁阻式随机访问存储器)等。
34.系统控制器(控制器)130例如使用将多个元件集成于单个芯片上的被称为system-on-a-chip(soc：片上系统)的大规模集成电路(lsi)而实现。系统控制器130包括微处理器(mpu)40、硬盘控制器(hdc)50以及读取/写入(r/w)通道60。系统控制器130例如电连接于驱动器ic20、头放大器ic30、易失性存储器70、非易失性存储器80、缓冲存储器90以及主机系统100等。
35.mpu40是控制磁盘装置1的各部的主控制器。mpu40经由驱动器ic20控制vcm14，执行进行头15的定位的伺服控制。mpu40经由驱动器ic20控制spm12，使盘10旋转。mpu40控制向盘10写入数据的动作，并且选择从主机100传送的数据，例如，写入数据的保存目的地。另外，mpu40控制从盘10读取数据的动作，并且控制从盘10向主机100传送的数据的处理。mpu40也可以基于固件执行处理。mpu40连接于磁盘装置1的各部。mpu40例如电连接于驱动器ic20、hdc50以及r/w通道60等。
36.hdc50控制数据的传送。例如，hdc50根据来自mpu40的指示来控制主机100与盘10之间的数据的传送。hdc50例如电连接于mpu40、r/w通道60、易失性存储器70、非易失性存储器80以及缓冲存储器90等。
37.r/w通道60根据来自mpu40的指示执行从盘10向主机100传送的数据(以下，也有时称为读取数据)和从主机100传送的数据(以下，也有时称为写入数据)的信号处理。r/w通道60具有测定读取数据的信号质量的电路或功能。r/w通道60例如电连接于头放大器ic30、mpu40以及hdc50等。
38.以下，在头15、头放大器ic30以及控制器130中，将从盘10读取出的数据向主机100传送的系统也有时被称为读系统。
39.图3是示出r/w通道60的读系统rsys的一例的框图。
40.r/w通道60具有自适应滤波器601、sova(soft output viterbi algorithm：软输
出维特比算法)部602、机器学习部603、运算部604以及ldpc(low density parity check：低密度奇偶校验)部605作为读系统rsys。此外，r/w通道60也可以具有自适应滤波器601、sova部602、机器学习部603、运算部604以及ldpc部605以外的其他处理部或其他电路等作为读系统rsys。另外，自适应滤波器601、sova部602、机器学习部603、运算部604以及ldpc部605也可以设置于系统控制器130的其他部分。读系统rsys的各部，例如自适应滤波器601、sova部602、机器学习部603、运算部604以及ldpc部605也可以分别根据mpu40的控制来执行处理。
41.自适应滤波器601对从头放大器ic30输入的数据的波形进行均衡，并将其向sova部602输出。自适应滤波器601例如是fir(finite impulse response：有限脉冲响应)滤波器。
42.sova部602对从自适应滤波器601输入的数据执行维特比解码处理，例如，基于软判定维特比算法(soft output viterbi algorithm)的维特比解码处理，并将通过维特比解码处理算出的似然度推定值、似然度值、或似然度(以下，也有时称为基础似然度推定值)向机器学习部603和运算部604输出。在图3所示的例子中，sova部602对从自适应滤波器601输入的数据执行基于sova的维特比解码处理而算出与伽罗瓦域gf(galois field)(2)(0或1)对应的基础似然度推定值，并将所算出的与伽罗瓦域gf(2)对应的基础似然度推定值向机器学习部603和运算部604输出。似然度推定值、似然度值以及似然度例如相当于概率，并且为0以上且1以下、或者0％以上且100％以下。
43.机器学习(machine learning)部603例如包括神经网络(neural network)。机器学习部603执行机器学习。机器学习部603例如基于从sova部602输入的未校正的基础似然度推定值、正解的比特数据或理想的比特数据的记录序列(以下，也有时称为正解的比特序列或理想的比特序列)、以及教师信号(learning signal)来执行机器学习，并将通过机器学习进行校正而得到的基础似然度推定值(以下，也有时称为校正似然度推定值)向运算部604输出。机器学习部603例如基于从sova部602输入的基础似然度推定值、记录序列以及教师信号来执行机器学习，对通过机器学习进行校正而得到的校正似然度推定值进行缩放(scaling)(标准化和正则化)，为了统一尺度进行转换并向运算部604输出。
44.在图3所示的例子中，机器学习部603基于从sova部602输入的基础似然度推定值、正解的比特数据的记录序列以及教师信号，对基础似然度推定值进行缩放而进行机器学习，并将通过机器学习进行校正而得到的校正似然度推定值向运算部604输出。教师信号例如由对数似然比(log-likelihood-ratio：llr)来表示。在机器学习中，通过用称为llr的一个值来表示1比特而进行简化。相当于教师信号的llrt(以下，也有时称为教师llr)由以下的式(1)来表示。
[0045][0046]
在此，llrt相当于教师llr，k是每1比特的时间(gf(2))，相当于教师信号，并且是作为目标的比特数据为0的校正似然度推定值(以下，也有时称为0的目标校正似然度推定值)，相当于教师信号，并且是记录序列uk＝1的情况下的作为目标的比特数据为
1的校正似然度推定值(以下，也有时称为1的目标校正似然度推定值)。
[0047]
在正解的比特数据的记录序列为0的情况下，0的目标校正似然度推定值相当于与正解的比特数据的记录序列对应的教师信号(以下，也有时称为正解的教师信号)，并且相当于与正解的比特数据的记录序列对应的0的目标校正似然度推定值(以下，也有时称为正解的0的目标校正似然度推定值)。在正解的比特数据的记录序列为1的情况下，1的目标校正似然度推定值相当于正解的教师信号，并且相当于与正解的比特数据的记录序列对应的1的目标校正似然度推定值(以下，也有时称为正解的1的目标校正似然度推定值)。以下，也有时将“0的目标校正似然度推定值”和“1的目标校正似然度推定值”称为“目标校正似然度推定值”。也有时将“与正解的比特数据的记录序列对应的0的目标校正似然度推定值和1的目标校正似然度推定值”称为“与正解的比特数据的记录序列对应的目标校正似然度推定值”或“正解的目标校正似然度推定值”。另外，也有时将“与正解的比特数据的记录序列对应的教师信号”称为“正解的教师信号”。
[0048]
0的目标校正似然度推定值由以下的式(2)来表示，1的目标校正似然度推定值由以下的式(3)来表示。
[0049][0050][0051]
机器学习部603基于从sova部602输入的未校正的基础似然度推定值、正解的比特数据的记录序列以及教师信号(例如，教师llr、0的目标校正似然度推定值、以及1的目标校正似然度推定值)来执行机器学习，并将通过机器学习对基础似然度推定值进行校正而得到的校正似然度推定值向运算部604输出。机器学习部603例如将教师llr转换为0的目标校正似然度推定值、和1的目标校正似然度推定值，并基于从sova部602输入的未校正的基础似然度推定值、正解的比特数据的记录序列、0的目标校正似然度推定值、以及1的目标校正似然度推定值来执行机器学习。机器学习部603例如在机器学习中将基础似然度推定值变化为llr(以下，也有时称为基础llr)并进行校正，将校正后的基础llr(以下，也有时称为校正llr)转换为校正似然度推定值，并将转换后的校正似然度推定值向运算部604输出。例如，机器学习部603基于基础似然度推定值、正解的比特数据的记录序列、设定为1以外的似然度的正解的目标校正似然度推定值、设定了0以外的似然度的正解以外的(或并非正解的)目标校正似然度推定值来执行机器学习，将通过机器学习对基础似然度推定值进行校正而得到的校正似然度推定值向运算部604输出。例如，机器学习部603基于基础似然度推定值、正解的比特数据的记录序列、设定为1和0以外的似然度的正解的目标校正似然度推定值、以及设定为1和0以外的似然度的正解以外的目标校正似然度推定值来执行机器学习，将通过机器学习对基础似然度推定值进行校正而得到的校正似然度推定值向运算部604输出。例如，机器学习部603基于基础似然度推定值、正解的比特数据的记录序列、设定为0.5以上且0.6以下的似然度的正解的目标校正似然度推定值、以及设定为0.4以上且0.5以下的似然度的正解以外的目标校正似然度推定值来执行机器学习，将通过机器学习对基础似然度推定值进行校正而得到的校正似然度推定值向运算部604输出。教师信号能够通过r/w通道60的内部的寄存器而设定自由的值。例如，关于教师信号，能通过r/w通道60的内
部的寄存器对头15、盘10、盘10的预定的区域例如每个区设定不同的值。
[0052]
运算部604对所输入的值进行运算，并将运算出的值向ldpc部605输出。在图3所示的例子中，运算部604将从sova部602输入的基础似然度推定值与从机器学习部603输入的校正似然度推定值进行积算，并将基础似然度推定值与校正似然度推定值进行积算而得到的似然度推定值(以下，也有时称为调整似然度推定值)向ldpc部605输出。调整似然度推定值中的比特数据为0的调整似然度推定值(以下，也有时称为0的调整似然度推定值)由以下的式(4)来表示，调整似然度推定值中的比特数据为1的调整似然度推定值(以下，也有时称为1的调整似然度推定值)由以下的式(5)来表示。
[0053][0054]
在此，是从sova部602输出的未校正的基础似然度推定值中的比特数据为0的基础似然度推定值(以下，也有时称为0的基础似然度推定值)，是从机器学习部603输出的校正似然度推定值中的比特数据为0的校正似然度推定值(以下，也有时称为0的校正似然度推定值)，是调整似然度推定值中的比特数据为0的调整似然度推定值(以下，也有时称为0的调整似然度推定值)。
[0055][0056]
在此，是从sova部602输出的未校正的基础似然度推定值中的比特数据为1的似然度推定值(以下，也有时称为1的似然度推定值)，是从机器学习部603输出的校正似然度推定值中的比特数据为1的校正似然度推定值(以下，也有时称为1的校正似然度推定值)，是调整似然度推定值中的比特数据为1的调整似然度推定值(以下，也有时称为1的调整似然度推定值)。
[0057]
ldpc部605对从运算部604输入的数据执行纠错处理，例如ldpc处理，将执行了低密度奇偶校验(ldpc)处理的数据向hdc50输出。ldpc部605对从运算部604输入的调整似然度推定值执行ldpc处理，将执行了ldpc处理而得到的调整似然度推定值向hdc50输出。
[0058]
图4是示出llr相对于比特位置的变化的示意图。在图4中，横轴表示比特位置，纵轴表示llr。在图4的纵轴上，llr随着朝向正箭头的前端的方向而在正值的方向上变大，随着朝向负箭头的前端的方向而在负值的方向上变大。在图4中，示出了llr相对于正解的(或理想的)比特位置的变化(以下，也有时称为比特序列)bs1、与从sova602输出的基础似然度推定值对应的比特序列bs2、将教师llr(ideal或llrt)设定为0.1并通过机器学习进行校正而得到的校正似然度推定值所对应的比特序列bs3、以及将教师llr(ideal或llrt)设定为100并通过机器学习进行校正而得到的校正似然度推定值所对应的比特序列bs4。在将教师llr(ideal或llrt)设定为0.1的情况下，根据式(2)和式(3)，目标校正似然度推定值为0.475。例如，在正解的比特数据的记录序列为0且将教师llr设定为llrt＝0.1的情况下，根据式(2)，正解的0的目标校正似然度推定值为0.475，根据式(2)，1的目标校正似然度推定
值为0.525。例如，在正解的比特数据的记录序列为1且将教师llr设定为llrt＝0.1的情况下，根据式(2)，正解的1的目标校正似然度推定值为0.475，根据式(2)，0的目标校正似然度推定值为0.525。另外，在将教师llr(ideal或llrt)设定为100的情况下，根据式(2)和式(3)，目标校正似然度推定值为1。例如，在正解的比特数据的记录序列为0且将教师llr设定为llrt＝100的情况下，根据式(2)，正解的0的目标校正似然度推定值为1，1的目标校正似然度推定值为0。例如，在正解的比特数据的记录序列为1且将教师llr设定为llrt＝100的情况下，根据式(2)，正解的1的目标校正似然度推定值为1，0的目标校正似然度推定值为0。
[0059]
在图4所示的例子中，比特序列bs4的极性与比特序列bs1的极性大不相同。一般来说，如图4的比特序列bs4所示，在正解的比特数据的记录序列为0的情况下，将正解的0的目标校正似然度推定值设定为1，将1的目标校正似然度推定值设定为0，在正解的比特数据的记录序列为1的情况下，将0的目标校正似然度推定值设定为0，将正解的1的目标校正似然度推定值设定为1。在与比特序列bs4对应的机器学习中，由于比特序列bs4与比特序列bs1的差别大，并且指定了很大的值作为教师llr的绝对值，所以对相邻信号的影响变大，成为与比特序列bs1不同的极性，并且能够执行绝对值大的校正。因此，基于通过比特序列bs4所对应的机器学习进行校正而得到的校正似然度推定值的ldpc处理的特性有可能大幅度地劣化。在该情况下，由于完全不执行ldpc处理，所以扇区错误率(sector error rate：ser)能变为0。
[0060]
在图4所示的例子中，比特序列bs3与比特序列bs1极性大致相同。因此，基于通过比特序列bs3所对应的机器学习进行校正而得到的校正似然度推定值的ldpc处理能够改善扇区错误率。
[0061]
图5是示出本实施方式的读处理方法的一例的流程图。
[0062]
系统控制器130算出基础似然度推定值(b501)，基于基础似然度推定值、正解的数据比特的记录序列以及教师信号来实施机器学习，通过机器学习将基础似然度推定值校正为校正似然度推定值(b502)。例如，系统控制器130基于基础似然度推定值、正解的数据比特的记录序列、设定为1以外的似然度的正解的目标校正似然度推定值、以及设定了0以外的似然度的正解以外的目标校正似然度推定值来实施机器学习，对通过机器学习对基础似然度推定值进行校正而得到的校正似然度推定值进行缩放并将其输出。系统控制器130将基础似然度推定值与校正似然度推定值进行积算而算出调整似然度推定值(b503)，基于调整似然度推定值来执行ldpc处理(b504)，并结束处理。
[0063]
根据本实施方式，磁盘装置1基于基础似然度推定值、正解的数据比特的记录序列、设定为1以外的似然度的正解的目标校正似然度推定值、以及设定了0以外的似然度的正解以外的目标校正似然度推定值来实施机器学习。磁盘装置1基于将通过机器学习对基础似然度推定值进行校正而得到的校正似然度推定值与基础似然度推定值进行积算而得到的调整似然度推定值来执行ldpc处理。因此，磁盘装置1能够改善扇区错误率。因此，磁盘装置1能够提高可靠性。
[0064]
接着，对与前述的实施方式相关的变形例的磁盘装置进行说明。在变形例中，对与前述的实施方式相同的部分标注相同的参照标号而省略其详细的说明。
[0065]
(变形例1)
[0066]
变形例1涉及的磁盘装置1的读系统与前述的实施方式的磁盘装置1不同。
[0067]
图6是示出变形例1涉及的r/w通道60的读系统rsys的一例的框图。
[0068]
r/w通道60还具有转换器606作为读系统rsys。
[0069]
sova部602对从自适应滤波器601输入的数据执行基于sova的维特比解码处理，将通过维特比解码处理算出的基础似然度推定值向运算部604和转换器606输出。在图6所示的例子中，sova部602对从自适应滤波器601输入的数据执行基于sova的维特比解码处理而算出伽罗瓦域gf(4)(00或10或01或11)所对应的基础似然度推定值，将伽罗瓦域gf(4)所对应的基础似然度推定值向转换器606和运算部604输出。
[0070]
转换器606例如是symbol2binary。转换器606将从sova部602输入的数据从2bit转换为1bit，并向机器学习部603输出。例如，转换器606将从sova部602输入的伽罗瓦域gf(4)所对应的基础似然度推定值转换为伽罗瓦域gf(2)所对应的基础似然度推定值，将转换后的伽罗瓦域gf(2)所对应的基础似然度推定值向机器学习部603输出。
[0071]
机器学习部603例如基于从转换器606输入的未校正的基础似然度推定值、正解的比特数据的记录序列以及教师信号来执行机器学习，对通过机器学习进行校正而得到的校正似然度推定值进行缩放并向运算部604输出。
[0072]
在图6所示的例子中，运算部604将从sova部602输入的基础似然度推定值与从机器学习部603输入的校正似然度推定值进行积算而得到的调整似然度推定值向ldpc部605输出。调整似然度推定值中的比特数据为00的调整似然度推定值(以下，也有时称为00的调整似然度推定值)由以下的式(6)来表示，调整似然度推定值中的比特数据为01的调整似然度推定值(以下，也有时称为01的调整似然度推定值)由以下的式(7)来表示，调整似然度推定值中的比特数据为10的调整似然度推定值(以下，也有时称为10的调整似然度推定值)由以下的式(8)来表示，调整似然度推定值中的比特数据为11的调整似然度推定值(以下，也有时称为11的调整似然度推定值)由以下的式(9)来表示。
[0073][0074]
在此，s是每2bit的时间(gf(4))，是从sova部602输出的伽罗瓦域gf(4)所对应的基础似然度推定值中的比特数据为00的基础似然度推定值(以下，也有时称为00的基础似然度推定值)，是从机器学习部603输出的时间k的下一时间k+1的校正似然度推定值中的0的校正似然度推定值，是调整似然度推定值中的比特数据为00的调整似然度推定值(以下，也有时称为00的调整似然度推定值)。
[0075][0076]
在此，是从sova部602输出的伽罗瓦域gf(4)所对应的基础似然度推定值中的比特数据为01的基础似然度推定值(以下，也有时称为01的基础似然度推定值)，是从机器学习部603输出的时间k+1的校正似然度推定值中的1的校正似然度推定值，是调整似然度推定值中的比特数据为01的调整似然度推定值(以下，也有时称为
01的调整似然度推定值)。
[0077][0078]
在此，是从sova部602输出的伽罗瓦域gf(4)所对应的基础似然度推定值中的比特数据为10的基础似然度推定值(以下，也有时称为10的基础似然度推定值)，是调整似然度推定值中的比特数据为10的调整似然度推定值(以下，也有时称为10的调整似然度推定值)。
[0079][0080]
在此，是从sova部602输出的伽罗瓦域gf(4)所对应的基础似然度推定值中的比特数据为11的基础似然度推定值(以下，也有时称为11的基础似然度推定值)，是调整似然度推定值中的比特数据为11的调整似然度推定值(以下，也有时称为11的调整似然度推定值)。
[0081]
图7是示出扇区错误率相对于轨道密度的变化的一例的示意图。在图7中，横轴表示轨道密度(track density)，纵轴表示扇区错误率(ser)。在图7的横轴上，轨道密度随着向箭头的前端侧前进而变大，随着向与箭头的前端相反的一侧前进而变小。在图7的纵轴上，ser随着向箭头的前端侧前进而变小，随着向与箭头的前端相反的一侧前进而变大。在图7中，示出了ser相对于从sova602输出的基础似然度推定值所对应的轨道密度的变化(以下，也有时简称为ser的变化)scl1、基于将目标校正似然度推定值设定为0.475并通过机器学习进行校正而得到的校正似然度推定值的ser的变化scl2、基于将目标校正似然度推定值设定为0.426并通过机器学习进行校正而得到的校正似然度推定值的ser的变化scl3、以及基于将目标校正似然度推定值设定为0.378并通过机器学习进行校正而得到的校正似然度推定值的ser的变化scl4。
[0082]
在图7所示的例子中，ser的变化scl2和scl3所对应的ser，相对于ser的变化scl1所对应的ser有所改善。另一方面，ser的变化scl4所对应的ser，相对于ser的变化scl1所对应的ser有所劣化。也就是说，基于将目标校正似然度推定值设定为0.4以上的值并通过机器学习进行校正而得到的校正似然度推定值算出调整似然度推定值，并基于该调整似然度推定值来执行ldpc处理，由此能改善扇区错误率(ser)。换言之，基于将目标校正似然度推定值设定为比0.4小的值并通过机器学习进行校正而得到的校正似然度推定值算出调整似然度推定值，并基于该调整似然度推定值来执行ldpc处理，由此扇区错误率(ser)可能会劣化。
[0083]
图8是示出变形例1的读处理方法的一例的流程图。
[0084]
系统控制器130算出基础似然度推定值(b501)，并转换基础似然度推定值的比特数(b801)。系统控制器130基于转换了比特数后的基础似然度推定值、正解的数据比特的记录序列以及教师信号来实施机器学习，通过机器学习将基础似然度推定值校正为校正似然度推定值(b502)。系统控制器130将基础似然度推定值与校正似然度推定值进行积算而算出调整似然度推定值(b503)，基于调整似然度推定值来执行ldpc处理(b504)，结束处理。
[0085]
根据变形例1，磁盘装置1基于伽罗瓦域gf(4)所对应的基础似然度推定值、正解的数据比特的记录序列、设定为0.4以上的似然度的正解的目标校正似然度推定值、以及设定为0.4以上的似然度的正解以外的目标校正似然度推定值，实施机器学习。磁盘装置1基于将通过机器学习对基础似然度推定值进行校正而得到的校正似然度推定值与基础似然度推定值进行积算而得到的调整似然度推定值，执行ldpc处理。因此，磁盘装置1能够改善扇区错误率。因此，磁盘装置1能够提高可靠性。
[0086]
(变形例2)
[0087]
变形例2的磁盘装置1的读系统与前述的实施方式和变形例1的磁盘装置1不同。
[0088]
图9是示出变形例2的r/w通道60的读系统rsys的一例的框图。
[0089]
r/w通道60具有自适应滤波器601、sova部602、机器学习部603以及ldpc部605作为读系统rsys。
[0090]
sova部602对从自适应滤波器601输入的数据执行基于sova的维特比解码处理，将通过维特比解码处理算出的基础似然度推定值向机器学习部603输出。
[0091]
机器学习部603例如基于从sova部602输入的基础似然度推定值、正解的比特数据的记录序列以及教师信号执行机器学习，将通过机器学习进行校正而得到的调整似然度推定值向ldpc部605输出。机器学习部603例如基于从sova部602输入的基础似然度推定值、正解的比特数据的记录序列以及教师信号执行机器学习，对通过机器学习进行校正而得到的调整似然度推定值进行缩放并将其向ldpc部605输出。
[0092]
ldpc部605对从机器学习部603输入的调整似然度推定值执行ldpc处理，将执行了ldpc处理而得到的调整似然度推定值向hdc50输出。
[0093]
图10是示出变形例2的读处理方法的一例的流程图。
[0094]
系统控制器130算出基础似然度推定值(b501)，基于基础似然度推定值、正解的数据比特的记录序列以及教师信号来实施机器学习，通过机器学习将基础似然度推定值校正为调整似然度推定值(b502)。系统控制器130基于调整似然度推定值来执行ldpc处理(b504)，结束处理。
[0095]
根据变形例2，磁盘装置1算出基础似然度推定值，基于基础似然度推定值、正解的数据比特的记录序列以及教师信号来实施机器学习，通过机器学习将基础似然度推定值校正为调整似然度推定值。系统控制器130基于调整似然度推定值来执行ldpc处理。因此，磁盘装置1能够改善扇区错误率。因此，磁盘装置1能够提高可靠性。
[0096]
(变形例3)
[0097]
变形例3的磁盘装置1的读系统与前述的实施方式和变形例1的磁盘装置1不同。
[0098]
图11是示出变形例3的r/w通道60的读系统rsys的一例的框图。
[0099]
r/w通道60具有自适应滤波器601、机器学习部603以及ldpc部605作为读系统rsys。
[0100]
自适应滤波器601对从头放大器ic30输入的数据的波形进行均衡，并向机器学习部603输出。自适应滤波器601例如是fir(finite impulse response：有限脉冲响应)滤波器。
[0101]
机器学习部603例如基于从自适应滤波器601输入的数据(也有时称为信号)、正解的比特数据的记录序列以及教师信号来执行机器学习，并将通过机器学习进行校正而得到
的调整似然度推定值向ldpc部605输出。机器学习部603例如基于从自适应滤波器601输入的数据、正解的比特数据的记录序列以及教师信号来执行机器学习，对通过机器学习进行校正而得到的调整似然度推定值进行缩放并向ldpc部605输出。
[0102]
ldpc部605对从机器学习部603输入的调整似然度推定值执行ldpc处理，将执行了ldpc处理而得到的调整似然度推定值向hdc50输出。
[0103]
图12是示出变形例3的读处理方法的一例的流程图。
[0104]
系统控制器130基于从自适应滤波器601输入的数据、正解的数据比特的记录序列以及教师信号来实施机器学习，通过机器学习将从自适应滤波器601输入的数据校正为调整似然度推定值(b1201)。系统控制器130基于调整似然度推定值来执行ldpc处理(b504)，并结束处理。
[0105]
根据变形例3，磁盘装置1基于从自适应滤波器601输入的数据、正解的数据比特的记录序列以及教师信号来实施机器学习，将从自适应滤波器601输入的数据校正为调整似然度推定值(b1201)。磁盘装置1基于调整似然度推定值来执行ldpc处理(b504)，结束处理。因此，磁盘装置1能够改善扇区错误率。因此，磁盘装置1能够提高可靠性。
[0106]
对多个实施方式进行了说明，但这些实施方式是作为例子而提示出的，并非意在限定发明的范围。这些新的实施方式可以以其他各种各样的方式实施，在不脱离发明的要旨的范围内可以进行各种省略、替换、变更。这些实施方式及其变形包含于发明的范围、要旨，并且包含于在权利要求书所记载的发明及与其等同的范围。

技术特征：

1.一种磁盘装置，具备：盘；头，对所述盘写入数据，从所述盘读取数据；以及控制器，通过基于设定为1以外的似然度的正解的教师信号和设定为0以外的似然度的正解以外的教师信号的机器学习，将第1信号校正为第1似然度值，基于与所述第1信号和所述第1似然度值相应的第2似然度值来执行纠错处理。2.根据权利要求1所述的磁盘装置，所述正解的教师信号和所述正解以外的教师信号为0.4以上。3.根据权利要求1所述的磁盘装置，所述正解的教师信号为0.5以上且0.6以下的似然度，所述正解以外的教师信号为0.4以上且0.5以下的似然度。4.根据权利要求1所述的磁盘装置，所述控制器将第1信号转换为第1llr，将对所述第1llr进行校正而得到的第2llr转换为所述第1似然度值，llr即对数似然比。5.根据权利要求1所述的磁盘装置，所述控制器在所述机器学习中缩放所述第1似然度值。6.根据权利要求1所述的磁盘装置，所述第2似然度值是所述第1信号与所述第1似然度值之积。7.根据权利要求1所述的磁盘装置，所述控制器通过基于sova即软输出维特比算法的维特比解码处理算出所述第1信号。8.根据权利要求1所述的磁盘装置，所述第1信号是从fir即有限脉冲响应滤波器输出的数据。9.根据权利要求1～8中任一项所述的磁盘装置，所述控制器通过神经网络来执行所述机器学习。10.根据权利要求1所述的磁盘装置，所述控制器经由寄存器对在半径方向上划分所述盘而得到的多个划分区域中的每个划分区域，以不同的值设定所述正解的教师信号和所述正解以外的教师信号。11.一种读处理方法，适用于磁盘装置，所述磁盘装置具备：盘；和头，对所述盘写入数据，从所述盘读取数据，所述读处理方法中，通过基于设定为1以外的似然度的正解的教师信号和设定为0以外的似然度的正解以外的教师信号的机器学习，将第1信号校正为第1似然度值，基于与所述第1信号和所述第1似然度值相应的第2似然度值执行纠错处理。

技术总结

实施方式提供一种能够提高可靠性的磁盘装置及读处理方法。本实施方式涉及的磁盘装置具备：盘；头，对所述盘写入数据，并从所述盘读取数据；以及控制器，通过基于设定为1以外的似然度的正解的教师信号和设定为0以外的似然度的正解以外的教师信号的机器学习来将第1信号校正为第1似然度值，基于与所述第1信号和所述第1似然度值相应的第2似然度值来执行纠错处理。理。理。