更快的验证与人工智能,毫升

工具提供商不断完善性能,容量,内存占用功能验证的参数引擎在过去的十年。今天,虽然核心定位仍然是正式的验证,模拟、仿真、fpga原型,一个新的前沿关注验证织物本身的目的是更好地利用这些引擎包括规划、分配、和指标跟踪。

同时,人工智能(AI),大数据,和机器学习的思想对于每一个设计团队问,‘我们如何让验证更有效,因为所有的核心引擎有所改善和持续改善;下一个级别是什么?当我完成验证吗?”

小组讨论我主持在最近在旧金山设计自动化会议上讨论这些以及其他主题。Jeff Ohshima面板包括技术管理团队的成员在东芝记忆;公司副总裁和总经理保罗•坎宁安研发节奏;惠普企业验证科学家大卫•莱西(HPE);和吉姆·霍根,Vista合资公司的管理合伙人。

Ohshima对比从消费者巨大的内存需求的预期,数据中心和企业的垂直部分设计和验证问题。“比以往更多的设计复杂性和与设计周期/验证周期相比,它的这些天越来越长。我们正在做新的电路设计的时候,我们要做验证同时缩小总周期时间。这是现在SSD发展成为一个大问题。”

虽然自动化发展改善了周转时间,设计复杂性仍然是如此困难,需要更多的帮助,Ohshima承认。

具体来说,闪存设计最近变得更加复杂,他解释说,尤其是公司的从2 d到3 d转换flash。“有大量的参数优化的电路设计以及布局设计和快速。”Ohshima说东芝内存使用敏捷设计方法来弥补完全成熟的闪存设备。“大量的迭代的电路或设备参数必须要赶上快速的设计周期,而且必须用敏捷设计方法对于每一个部分,”他说。

SoC, Ohshima指出,其固态硬盘控制器SoC不是艺术的状态与最先进的技术,但“我们是好的,即使是现在,20/16nm技术节点;现在我们不需要7海里。也就是说,SSD控制器存在一些独特的要求。与上一代相比,新一代使重用一些块;当然,错误发现,发现后研发修复,减少由于重用。然而,由于设计复杂性的下一代,尤其是企业应用领域,我们有很多的回归模拟块现在成为我们的SSD的关键路径的设计。”

东芝记忆希望许多新想法将在人工智能和机器学习的名字或深度学习。

无论哪一类型的芯片,“[v]验讫是一个非常棘手的问题,”坎宁安提醒,“如果我们每年双芯片的大小,我们国家规范的棱角。没有办法,我们做过(平方规格)。这是一个巨大的社区/生态系统的挑战。我们能做我们的工具和解决方案以某种方式试图缩小差距你不可能平方计算资源的数量每年[和]人数。这可能不会走很远。”

“我们有所有这些不同的引擎,所有这些不同的方式去验证这个空间我们可以试图掩盖之后,正式的,我们可以运行传统逻辑仿真,然后我们有不同的硬件架构。传统的模拟运行在Intel x86 Xeon基本上,我们还可以一个基于arm的服务器上运行一个模拟现在,你可以运行一个模拟使用FPGA。也可以使用一个定制的处理器运行模拟。所有这些不同的引擎,有一个更大的问题知道使用哪个引擎,在这种情况下,如何最大化总体验证吞吐量,”他说

”能力,”坎宁安继续说道,“如果你认为这个多引擎,棘手的巨大空间,所有这些大数据的概念和分析与机器学习我们能做些什么,人工智能,我们追求这个空间如何更有效?”

验证研发团队上任以来,他承认现在感觉事情没有效率。“我们正在燃烧的数以百万计的周期验证实际上没有做任何差异覆盖或我们多次覆盖相同的事情。这就是为什么有一个真正的机会作为一个生态系统,试图更有效率,这从根本上棘手问题后继续。”

莱西提供三大领域,他专注于当看着HPE验证技术。“首先,我们试图让我们的工程师更有效率。如果你看看我们的成本在哪里,工程师是我们最昂贵的费用;我们要确保他们有效的和富有成效的,因为他们可以。无论是从工具的角度来看,从方法论的角度来看。第二,我们花了很多工具和许可,那么,我们如何得到更好的价值从这些执照在这些工具,我们使用吗?第三,我们如何实现更多的可预测性从我们的项目和我们如何去实现这些目标?”

HPE的几方面解决这些领域从数据开始。“我们需要的数据,所以我们看各种来源的大数据和数据分析能够驱动的答案和改变我们所做的为了实现这三个地区的改进。然后,我们也看看可用的工具和技术。我们使用所有可用的技术,我们有我们的执照,我们有吗?然后,它不仅仅是一种可用的特性。我们必须有一个聪明的方式来利用和消费特性,当我们把它放在手中的工程师正在研究项目,这增加了他们的生产力,它不会从他们的生产力转移。”

霍根,他的兴趣是投资方面的验证,所以他在这个空间的角度看机会他认为他所投资的公司如何赚钱。“通常情况下,你可以市场为时过早,我已经遭受了很多次这个问题。换句话说,把钱做某事时,市场并不是准备好了。我喜欢验证市场现在正说作为投资者;不是作为一个消费者或者工具提供者有很大的硬件翻天覆地的变化,即。谷歌的云,证明了这一点,AWS表现出在DAC。这是他们第一次出现在这里展出,所以他们认为这是一个市场很感兴趣。我也认为云是允许我们做事情发挥了巨大的作用。”

说,他相信这个行业需要保持它的眼睛在硬件上的变化,以及商业模式的变化。

每个引擎的甜点
特别是随着范围的验证方法商业化的今天,是相关的工程团队试图准确理解每个引擎可以而且应该被使用,如果决心更像一门艺术或科学。

坎宁安表示这可能是艺术和科学,也确实是一个生态系统的问题。“它取决于芯片的类型,你在做什么?我认为一些向量,使我们开始解开,例如,无论你是块级别的验证的IP ?在组件级别?你在看SoC水平?你想模型真正的世界,也许你的软件生态系统或软件堆栈吗?还是做一个坏苹果类型验证?一个明显的情况下如果设计开始更稳定和你想要调试的软件设计工作。你有一组不同的需求,我认为适合更好为我们所说的传统的原型,市场运行与fpga加速度。如果你在一个情况下你还想清除冷却功能设计本身的问题,你有一组不同的需求更好的模拟处理器或只是一个普通逻辑模拟器在Intel Xeon农场。”

“那些都是一些例子的差异,但总体编排:你如何呼吸的多引擎覆盖在一起吗?这里仍然有很多工作要我们去做,因为没有任何强有力的工具类在这个空间,”坎宁安说。“这说明启动情况。并没有那么多空间离开了那里并不是什么像样的生态系统,主要解决方案和整体覆盖多引擎管理,这是一个领域,仍有很长的路要走。”

莱西说,进一步的,不同类型的发动机,大多数工程团队正在与聪明验证他们是采取大胆步骤开始使用一些其他的引擎。“即使在我们组通常是很难说服管理做一些我们还没做过所以在某些情况下这是聪明的选择,所以你可以使用广泛的指导方针,使用不同的引擎和如何获得很快的价值。从这个角度来看,这当然是一种科学。您可以确定好区域目标的引擎,在很短的时间内,从他们那里得到价值。一旦你在流和你使用它们,你就可以把它到下一个水平看看如何真正开始得到下一个层次的价值不同的引擎。我怎么开始看看如何消除这些引擎的空间的重叠覆盖?一个简单的方法就是继续运行你所有的模拟,并把正式的。那很好。这当然会排出更多错误,但从“我得到更多的价值和生产力吗?它只是增加我的盘子。 That’s not helping my schedules,’ that’s the next step that you need to take. How to use formal for some areas, use simulation for some areas, then be able to bring that data together from those different domains and showcase that, ‘Yes, I’ve got a complete job here for the validation that I’m doing.’”

在某种程度上,这导致了便携式刺激讨论,霍根指出。“事实上,你可以聪明testbenches是件大事。这是一个的方式去跨域。想想,如果你有这些引擎,岂不是很好有刺激或testbench可能遇到它,和那些断言足以验证你需要做的只是为了防止你模拟没完没了地?”

永远有机会,验证工程师将模拟,他继续说。在自动车辆的情况下,这一切都变得很现实。“如果事情拼凑起来,这是一个硬件或软件问题。它可能会伤害别人。那么,我们如何知道我们已经做了足够的仿真吗?我们怎么知道我们有报道?”

然后,当谈到形式验证添加到混合,莱西观察这是好坏参半,设计团队。“一些逻辑工程师非常习惯于他们的做事方式,他们不想尝试新事物。一些肯定是更开放的新的机会和得到他们的东西显然是发现那些用例要显示在非常短的时间内价值。”

坎宁安unreachability分析的真实世界的例子。“你可以使用一个正式的工具来减少你的覆盖空间说有设计空间的某些部分不可以没有试图掩盖他们。另一个问题是不存在的,但非常接近诸如重置的秘密。有很多验证工作看不同的东西在重置,但在我们的掌握能够做正式SoC-level重置证明,它可以消除很多问题。”

“即使在一个更基本的层面上,”坎宁安说,“甚至有静态的检查方式,即使没有正式的,只是一个基本的结构分析。这可以在低功耗设计特别有用,因为还有很多事情与口岸、水平移动,隔离,等等,你可以识别问题没有运行任何形式的模拟或正式尽管有时仍可能有重复的努力,如果审查验证方法。”

管理大数据

与多种验证方法生成大量的数据,成功的关键是知道如何聚合、管理和利用的信息。

另一个问题的担忧应该收集哪些数据,莱西断言。“我们有简单的东西的工具将提供给你。你用你的模拟器,你会得到覆盖率数据的最有可能的是,如果你把。但其他数据有用吗?你想要什么其他数据访问,这样您就可以理解如果你从这个工具获得最大的价值。我们花了很多时间识别不同类型的数据,我们要定期收集,这样我们可以访问它,能够回去查询和分析能够回答这些问题,做起来。”

同时,这是人工智能和机器学习将会发挥作用。“当我们谈论人工智能和机器学习,不少是关于我们如何获得大量的数据,我们用它做什么?关键是如何获取训练数据。识别训练数据,使用一种定向搜索的训练数据。要花相当多的时间和精力来确定您想要的数据,和训练数据的最终定义你想要探索的垂直领域。AI不是这么多产品的功能,我们需要学习如何部署。当我们明年在这里我们将讨论人工智能功能,我们开始部署,然后我们会看到小公司出现,有专业知识或培训专业知识。”

与这是云,它的存储和处理数据,与半导体相关验证。

“当我们谈论云计算,费用在哪里?它不花费你任何发送到云的东西。花费你很多从云带东西回去,”霍根指出。“所以,如果你有一个验证问题,你不想在你的工作台与云相互作用。你想要做所有的工作程序和应用程序在云中,就送你一个答案。如果你把经济,那么你有看机会可以应用成本模型。”

莱西,他得出的结论是,与云计算和/或将下降成本和获得的生产力。“云的主要营销策略之一是,如果我晚上运行5000测试的回归和我花了整天整夜或完成的,我可以把它在云中,去平行我希望,并让它在十分钟内完成或只要我最长测试。这对我有一些非常有趣的方面,如何帮助工程生产力。如何帮助我的工程团队迅速得到答案,但这是为我做的一切,我需要或体积仅供我回归寻找bug ?我不确定我有正确的答案,但这就是云进场,因为我们有一个完整的私有数据中心解决方案自己所以不像我们计算能力的缺乏。小公司和公司没有,云肯定成为一个可行的和有用的方面。但对我们来说,现在是一个之间的权衡投资于私有云与公共云。”