利用人工智能技术来确定哪些约束随机测试是最有效的提高覆盖率。
覆盖在每一个方面的验证对于今天的复杂的IP和芯片设计。覆盖率指标提供重要反馈验证什么,没有什么,尤其是自动化使用刺激生成技术。所有现代的硬件设计和验证语言包括构造功能覆盖率的规范和支持一系列结构覆盖措施(线、块、表达,等等)。覆盖关闭和虫率在项目管理上发挥了关键作用决定何时带设计。致力于硅之前是不可接受的风险实现覆盖率达到100%的目标的目标,或者至少渐近收敛朝着这些目标。
现在报道规范是内置验证计划以及语言。工程师不再刻意为具体定义和手工编写长列表的测试功能。相反,他们指定覆盖属性显示在行使这些功能。计划的第一阶段是典型的SoC验证过程。第二个是执行,使用约束随机模拟验证的主要方法(CRV)是产生刺激和检查结果,以及报道覆盖文档的哪些部分设计,尚未得到证实。
验证团队分析覆盖率结果和调整约束引导CRV部分设计没有行使,使进展关闭在最后阶段。通常需要多个尝试约束改进成功,这个过程可以是痛苦的。一旦覆盖不到的目标已趋于平稳,不可能简单地运行更多的相同的模拟将改进它。在这一点上,验证工程师可能回归的书写测试达到特定角情况下,进一步延长的过程。传统的CRV方法已经持续了几十年,但它不是跟上最新一代的巨大和复杂的芯片。
图1:SoC验证的四个阶段。
作为回应,该行业一直在探索人工智能(AI)的使用和机器学习(ML)技术进一步的CRV自动化,加快保险关闭,暴露问题的场景。Synopsys对此已AI /毫升超出了研究阶段和实际产品与风投智能覆盖优化(ICO)。这一创新技术最大化项目资源利用率,同时减少验证计划和无缝地符合用户的验证环境。从用户的角度来看,小的变化过程。验证团队提供testbench、约束和覆盖率以及设计。ICO之间增加了一层ML-based分析用户输入和测试执行在模拟计算农场,网格,或云环境。
其核心,ICO学习CRV测试是最有效地提高覆盖率最迅速和关注这些。它学习在不同的随机化在一个模拟和在许多模拟。它使用AI /毫升技术有效地优化约束随机刺激生成实现更好的多样化和提高刺激质量。设置的CRV模拟运行,更有可能打击市场覆盖率和罕见的场景用更少的测试更迅速,大大减少覆盖关闭时间和精力。ICO提供优势覆盖收敛过程的每一步。
在第一阶段的计划和执行的CRV测试,预测testbench能见度提高覆盖率结果提供指导。图标分析报告提供见解分布等刺激,潜在over-constraints多样性措施,和失败的根源。这更好和更快的原始报道结果由于刺激质量更好,更暴露出缺陷,并通过根本原因分析减少了调试工作。在第二阶段,手动覆盖分析取代了自适应输入刺激偏压,大大缩短项目进度。除了大大减少验证团队的努力,同等或更好的报道结果是用更少的测试,实现节约昂贵的电网或云计算资源。
在关闭的最后阶段,面对很难下手的覆盖率,ICO提供洞察over-constraint问题可能阻碍实现胶带覆盖的目标。它执行的根本原因分析,未覆盖的刺激空间和说明性的指导了验证团队如何修改testbench和约束来实现更好的报道结果。这可以实现实质性的改善总体实现刺激和功能覆盖率,大大增加带出信心。通常,ICO提供这种改进覆盖在更少的时间比传统的CRV方法。
图2:ICO对覆盖收敛的影响。
虽然它使用前沿的人工智能/毫升技术,图标是一个健壮且成熟的技术。今天是可用的,紧密集成在Synopsys对此投仿真解决方案。最近的一次白皮书文档结果从多个真实的客户项目,包括一个验证团队实现整体覆盖率大大高出5%更少的时间比以前的项目。开发团队部署图标在coverage-based验证的所有阶段,从规划和测试开发通过闭包。没有学习曲线受益于技术;每个用户的CRV可以立即受益于更高的覆盖率,减少设计错误和缩短上市时间。
|
|
|
|
|
|
|
|
留下一个回复