大数据能帮助保险关闭吗?

半导体设计的组合非常大的和非常小的号码。有大量的晶体管在非常小的尺寸,和数据库往往很大。

芯片行业一直看着机器学习有效地管理这些数据,但到目前为止,数据集没有妥善标记整个行业,有一个不愿分享数据。

“今天我们收集数据,结构,用它来学习和解读边缘,但它是一个有限的行动领域,”阿尔特•德•Geus说,董事长兼联合首席执行官Synopsys对此在他的主题演讲Synopsys对此用户组。“未来我们将预测由于硬件的交集,软件和AI /机器学习和大数据”。

所产生的数据量的数字化传感器和细分市场在未来将呈现指数级增长。“这是非常大的和非常小的数据,”de Geus说,他指的是数据量以及将如何使用数据在原子和分子水平上设计和制造芯片。“如果你改变一个参数,对一个街区的影响是什么?如果你模拟一遍又一遍,然后生成大量的数据。问题是我们是否能够应用到机器学习我们可以设计芯片在更短的时间。”

这些都是很大的未知数,之间有差距,行业是今天,它需要实现这些目标。首先,有方面的设计验证流不精确,基于公司专家的最佳猜测和指导。就是一个例子报道和验证关闭。前沿设计的状态空间非常巨大,没有考虑详尽的验证的希望。因此,统计技术可能被认为是至关重要的。

的发展便携式刺激概念可能将覆盖从一个非结构化数据的问题转换成一个结构化数据的问题。所以这意味着报道使用大数据技术现在可以解决了吗?或者它只是保持任务与一个大型数据集?

系统覆盖范围是什么?
第一个问题是定义系统覆盖意味着什么。马克·格拉瑟Nvidia公司首席工程师,将它定义为“你的所有行为发生或不感兴趣。”

系统级覆盖不同的块级覆盖。“系统级的报道都是关于用例,“说,首席执行官Oski技术。“我认为一切都验证了详尽的块级和子系统是正确的。离开当你组装系统是什么?你所有用例验证吗?这包括性能,安全,安全”。

必须注意在定义系统的上下文。”报道意味着不同的东西取决于你在哪里在供应链,”指出,公司的首席执行官测试和验证方案。“公司提供自主车辆相比有一个非常不同的定义半导体公司将定义。”

的首席执行官Breker,把一些数据。“当考虑整个验证空间使用图论技术,你就会立刻意识到你正在处理非常大的数字。一个图可能有10个单位^30.路径和图形系统可能是10^300年路径。有多少模拟可以运行?也许10⁵或10⁶。在模拟多少?也许10⁸。在硅有多少?也许10¹²。我们有10¹²样品和10的空间^300年”。

在街区层面,行业依赖功能覆盖定义验证的进展。这是因为约束随机方法产生测试没有任何知识这些测试会完成什么。

测试生成的便携式刺激(PS)有明确的报道。非常“系统测试是通过使用直接测试和指导测试从未利用覆盖率,更不用说功能或任何其他类型的保险,“说阿施施Darbari, Axiomise CEO。

随着公司采用便携式刺激策略,系统级验证,就可以生成更多的用例可能比过去,它就变得合理要求足够的用例生成。反过来,需要定义系统级覆盖。

”随着系统越来越复杂,我们必须做更多的不仅仅是覆盖的功能,“Bartley解释道。“我们也要考虑权力,硬件/软件co-verification,多个时钟域,性能等系统覆盖的定义将会改变。”

继续功能覆盖率
功能覆盖应该继续使用系统级?据哈米德。“我们有训练有素的工程师在过去二十年将实现覆盖率作为一个代表我们的意图报道。”

Darbari表示同意。“我们一直在谈论实现覆盖了太长时间,和跟踪的目的是向前迈进的一大步,”他说。

但并不是所有人都愿意放弃功能覆盖率。有时约束随机方法生成场景从未预期,这些可以追踪的功能覆盖。

“很容易产生覆盖模型,“Bartley说。“很难产生一个有用的覆盖模型。你可以跨越,创造巨大的模型,可能并不是很有用。”

所以当正在考虑新的报道模式,旧的也被保存下来。“当我们谈论PS报道,没有人说你必须放弃功能覆盖或代码覆盖率,”辛格尔表示。“他们有,几年后我们将与系统级经验报道。但我们没有放弃。”

真的是大数据吗?
仅仅因为一个问题是大而产生大量的数据并不意味着它是一个大数据的问题。“自主车辆有大规模数据集和沼泽的东西我们生产SoC,“Bartley指出。“大数据技术有两个主要使用我们试图训练或者我们试图做出决定吗?”

它有助于看最终用户的问题。“我们已经从模拟存储农场tb的数据收集,包括覆盖率数据,”格拉瑟说。“如果你看看,作为一个巨大的数据集,我们需要找到一些方法来分析,想出更多有趣的方式宣布如果设计准备好了去还是不去。”

格拉瑟,是技术,是很重要的。他希望看到统计分析应用到数据,聚类和曲线拟合等,这将让他来提取信息并做出决策。“这并不重要,如果你有5个数据点或50亿数据点。查看覆盖率作为一个大数据问题开辟了新的可能性进行这些类型的分析。”

Bartley同意的数据的大小可能不是最重要的因素,而不是看我们如何对待数据和决策,可以制成。他指出,一个成功的行业内的尝试。”手臂提出了非常结构化的方法收集数据和分析,这使他们决定准备船。他们试图结构的数据集,试图退出信息他们可以做出决定。这是一个大数据的技术。”

问题是,大数据这个词已经定义的工业和意义非常特殊。“我不认为这是一个大问题,因为我们没有足够的数据,“断言Darbari。“机器学习的问题是,我们需要大量的训练集之前,我们会对新输入有意义的模型。我不知道传统的机器学习技术应用,但协方差等统计技术和co-correlation意义。”

我们做了吗?
对于每一个项目,将有时间点当老板问,“我们做了吗?任何答案都需要数据支持这样一个结论。

“验证风险分析是一个问题,”哈米德说。“我们必须决定我们能负担得起多少验证与有出错的风险。也许对于一个设备,将进入一个玩具,不管它是否有问题。但如果东西进入我的车安全至关重要,真的很重要。基于模型的美妙之处在于我们可以推断整个空间。而不是猜测,你可以理性和决定。我们知道,一些场景比其他人更重要。”

Bartley认为需要更多的过程。“我们在比赛中风险管理和我们已经很长时间了。当它纯粹是一个商业决定,那么你可以让他们当你进入安全,涉及标准,它不再是一个商业决定。你必须证明你有符合标准。使它更加困难。”

它也需要正确的观点的完整性。“我们正处于一个拐点,我们有非常复杂的系统,我们问我们如何看待他们,我们如何思考,这样我们就能正确验证他们,”格拉瑟解释道。“我们需要引入抽象的概念。当我们谈论图建模和思考过程和资源,我们所做的是提高抽象层次。我们正在考虑用例和系统操作,不是寄存器和datapath公司。什么PS和允许我们考虑图和提供关于系统的推理的工具以及我们如何想攻击验证的问题。”

包括所有的数据
问题的一部分源于的演变从一个工具来验证流程和概念,如覆盖率尚未成功地伸展所有的工具。这包括模拟,模拟,FPGA原型和正式的。“我们有正式的验证门水平相匹配RTL,但是你几乎总是找到一个问题,时间约束问题或你忘记一些事情,”Singhal说。“我不认为一个解决方案提供了完整的答案。”

“很多验证使用正式和我今天没有看到,在PS,”指出Darbari。“我想加入点,这样的整体思想intent-based声明性编程和发现场景和差距可以利用在系统水平。直到我看到一个完整的故事,连接所有的验证模式我仍持怀疑态度。”

随着越来越多的数据可以聚集在一起,可以做出更好的决策。“我希望报道热点图或集群,这样我能想出聪明的方式去看测试套件,并找出哪些是做一些有用的,哪些不是,”格拉瑟说。“哪一个是多余的呢?有分析我们可以做的覆盖率数据将帮助。它可以使循环更短和更有效地利用资源。”

在一天结束的时候,来自不同的覆盖模型和不同平台的数据可以合并,但它仍然是一个二进制的决定。“这是困难的,我不确定,大数据在这方面提供帮助,“Bartley说。“手臂结构的所有来自不同数据源的数据的方式,允许他们做决定。”

对大多数人来说,它仍然是一个愿景。“大数据本身并不是一个答案。这只是数据,我们要从中提取信息,”哈米德总结。“我们需要覆盖所有信息,不仅从功能覆盖率,但是从testcase的正式和你post-silicon运行。我们收集的数据,我们必须转换成信息。”

有关的故事
系统覆盖未定义
是什么意思有验证系统和如何衡量风险?该行业仍挠挠头。
验证功能安全
的第2部分2:公司应该如何验证功能安全可以使用什么工具?
验证引擎?
专家在餐桌上,第3部分:多个验证引擎的价值,推动需求的验证在云中。