使用AI技术确定哪些约束随机测试在提高覆盖率方面最有效。
覆盖主导着当今复杂IP和芯片设计验证的各个方面。覆盖率指标提供了关于哪些已被验证，哪些未被验证的关键反馈，特别是在使用自动刺激生成技术时。所有现代硬件设计和验证语言都包含功能覆盖规范的构造，并支持一系列结构覆盖措施(行、块、表达式等)。覆盖率关闭和错误率在项目管理中扮演着关键角色，决定何时完成设计。在实现的覆盖率达到100%的目标目标之前，或者至少渐进地收敛于这些目标之前，承诺硅是不可接受的风险。
覆盖规范现在内置于验证计划和语言中。工程师们不再为特定的特性费力地定义和手工编写长长的测试列表。相反，它们指定了显示何时执行这些特性的覆盖属性。规划是典型SoC验证过程的第一阶段。第二是执行，其中使用约束随机验证(CRV)的模拟是产生刺激和检查结果的主要方法，报告的覆盖率准确地记录了设计的哪些部分已经验证和未验证。
验证团队然后分析覆盖结果，并调整约束，将CRV引导到尚未执行的设计部分，并在最后阶段朝着结束取得进展。约束细化通常需要多次尝试才能成功，这个过程可能是痛苦的。一旦覆盖率稳定在低于目标的水平，仅仅运行更多相同的模拟就不太可能改善它。在这一点上，验证工程师可能会恢复手写测试以命中特定的极端情况，进一步延长过程。传统的CRV方法已经运行了几十年，但它跟不上最新一代大型复杂芯片的发展。
图1:SoC验证的四个阶段。
作为回应，该行业一直在探索使用人工智能(AI)和机器学习(ML)技术来进一步自动化CRV，加速覆盖关闭，并暴露极端情况。Synopsys已经通过VCS智能覆盖优化(ICO)将AI/ML从研究阶段转移到实际产品中。这种创新技术最大限度地利用项目资源，同时减少验证进度，并无缝适应用户的验证环境。从用户的角度来看，过程中的变化很小。验证团队在设计的同时提供测试平台、约束和覆盖范围。ICO在用户输入和在计算场、网格或云环境中模拟执行的测试之间添加了一层基于ml的分析。
ICO的核心是了解哪些CRV测试最有效，可以最快速地提高覆盖率，并将重点放在这些测试上。它在单个模拟和多个模拟中通过不同的随机化进行学习。它使用AI/ML技术有效优化约束随机刺激生成，以实现更好的多样化和提高刺激质量。它建立了CRV模拟运行，更有可能达到未达到的覆盖和罕见的场景，并且更快地使用更少的测试，极大地减少了覆盖关闭的时间和工作量。ICO在覆盖融合过程的每一步都提供了优势。
在计划和执行CRV测试的第一阶段，预测测试台可见性提供了改进覆盖结果的指导。ICO分析报告提供了诸如刺激的分布、潜在的过度约束、多样性措施和失败的根本原因等见解。由于更好的刺激质量，更多暴露的bug，以及通过根本原因分析减少调试工作，这将产生更好更快的初始覆盖结果。在第二阶段，人工覆盖分析被自适应输入刺激偏差所取代，显著缩短了项目进度。除了大大减少验证团队的工作量之外，还可以通过更少的测试获得相同或更好的覆盖结果，从而节省昂贵的网格或云计算资源。
在关闭的最后阶段，面对难以实现的覆盖，ICO提供了可能阻碍实现覆盖目标的过度约束问题的见解。它为未达到的刺激空间执行根本原因分析，并就如何修改测试平台和约束条件以实现更好的覆盖结果向验证团队提供规定性指导。这可以在总体刺激和功能覆盖方面带来实质性的改善，从而极大地增强了磁带的信心。通常，ICO在比传统CRV方法更短的时间内提供这种改进的覆盖率。
图2:ICO对覆盖收敛的影响。
尽管ICO使用了最前沿的AI/ML技术，但它是一项强大且经过验证的技术。它已经在Synopsys VCS模拟解决方案中紧密集成。最近的一次白皮书来自多个真实客户项目的文档结果，包括一个验证团队，该团队在比以前的项目更少的时间内实现了5%的整体覆盖率。开发团队在基于覆盖的验证的所有阶段部署ICO，从计划和测试开发一直到结束。从这项技术中获益不需要学习曲线;CRV的每个用户都可以立即受益于更高的覆盖率、更少的设计漏洞和更短的上市时间。
|
|
|
|
|
|
|
|
留下回复