隨著應(yīng)用要求的激增和用戶需求的增加，硬件設(shè)計變得更加復(fù)雜,。市場趨勢的快速變化,，以及對電動汽車等技術(shù)的更多關(guān)注,，決定了對高效電源管理和高性能處理的需求水漲船高,。隨著 SoC 設(shè)計規(guī)模的擴(kuò)大,，復(fù)雜程度的增加，驗證吞吐量仍然是一個瓶頸,，單純依靠增加 CPU 核數(shù)量和運行更多的并行測試治標(biāo)不治本,。上述因素的疊加讓驗證工程師面對復(fù)雜設(shè)計的壓力與日俱增。

　　驗證永遠(yuǎn)不會完成,；當(dāng)你的時間用完時,，它就結(jié)束了,。目標(biāo)是在你耗盡時間之前使驗證過程收斂,。每個人都希望看到關(guān)鍵指標(biāo)收斂到目標(biāo)，并在嚴(yán)格的成本和時間限制下做到這一點,。想象一下,，坐在駕駛艙里，向黑匣子輸入信息,，然后等待奇跡發(fā)生（按一個按鈕,，你的工作就完成了）。當(dāng)務(wù)之急是人工智能和機(jī)器學(xué)習(xí)（AI/ML）如何幫助我們更快地完成回歸,，節(jié)省調(diào)試時間,，實現(xiàn)驗證/覆蓋率目標(biāo)，并管理資源和資金——換句話說,，我們?nèi)绾问褂?AI/ML 來提高驗證的效率,？

　　瑞薩公司也面臨著類似的挑戰(zhàn)。市場壓力和嚴(yán)格的投片時間表促使他們尋找一種技術(shù)/方法來優(yōu)化仿真回歸,，并在整個產(chǎn)品開發(fā)過程中加速設(shè)計驗證過程,。他們希望減少風(fēng)險，盡早發(fā)現(xiàn)盡可能多的錯誤,，能夠快速調(diào)試,，并滿足其終端用戶的要求。

　　瑞薩開始探索 Cadence Xcelium 機(jī)器學(xué)習(xí)應(yīng)用,。這個應(yīng)用程序使用機(jī)器學(xué)習(xí)技術(shù)來優(yōu)化仿真回歸,，以產(chǎn)生一個更緊湊的壓縮回歸,。然后這個優(yōu)化的回歸被用來重現(xiàn)與原始回歸幾乎相同的覆蓋率，并通過運行現(xiàn)有隨機(jī)測試平臺可能出現(xiàn)的邊界場景,，快速找到設(shè)計錯誤,。

　　瑞薩的測試結(jié)果非常完美，整個隨機(jī)驗證回歸的時間縮短了 66%,，大幅節(jié)省了資源,，成本和時間。Xcelium ML App 幫助瑞薩在保證 100%覆蓋率的同時將壓縮效率提高 2.2 倍,。此外,，將 ML 回歸用于首次設(shè)計迭代時，瑞薩再次實現(xiàn)了 100%覆蓋率下,，將時間縮短 3.6 倍,。

　　基于 ML 的測試回歸次數(shù)僅為 1168，相當(dāng)于 3774 次原始回歸的 1/3,。實現(xiàn)目標(biāo)所需時間縮短了 30%,，滿足了嚴(yán)格的上市需求。

　　除了利用 Xcelium ML App 節(jié)省資源和時間,，加速實現(xiàn)設(shè)計收斂,，瑞薩也評估了由 3款 Verisium App 組成，基于 AI 的 Cadence Verisium 平臺,，將驗證生產(chǎn)力提高了 6 倍,，共節(jié)省 27 個工時。

　　瑞薩評估的 App 如下：

　　·Verisium AutoTriage,，一款基于 ML 的自動化測試失敗分類程序,，可以將相同錯誤導(dǎo)致的測試失敗自動分組。失敗分組耗時降低了 70%,，整體效率提升了 3.3 倍,。

　　·Verisium SemanticDiff 幫助瑞薩快速識別失敗原因，比傳統(tǒng) diff 工具更加高效,。SemanticDiff 專注于設(shè)計環(huán)境,，可以提供更相關(guān)的差異分析。此外,，逐條檢查 diff 指令的歷史文件是很繁瑣的,，SemanticDiff app 可以大幅縮短糾錯時間，顯著提升效率,。

　　·Verisium WaveMiner 可以高效識別差異點,，用戶可以在 PASS 和 FAIL 中將差異點可視化，便捷地比較 PASS 和 FAIL 的波型及源代碼,。瑞薩的糾錯時間得以縮短 89%-97%,，帶來 9 倍的效率提升,。

　　Cadence 的 Verisium 平臺和 Xcelium ML 應(yīng)用一起提供了一套利用 AI/ML 的應(yīng)用，以優(yōu)化驗證工作負(fù)載,，提高覆蓋率,，并加速復(fù)雜 SoC 上設(shè)計錯誤的根源分析。瑞薩公司利用人工智能平臺,，將其驗證生產(chǎn)率提高了 10 倍,。

更多精彩內(nèi)容歡迎點擊==>>電子技術(shù)應(yīng)用-AET<<