核查方面的重大改进是可能的，但很难获得足够的支持。
验证是从根本上比较两个独立派生的模型，以找出两个模型之间是否表达有任何不同的行为。其中一个模型代表预期的设计，另一个是测试平台的一部分。
在理想的流程中，设计模型将从规范中派生出来，设计过程的每个阶段都将添加其他细节，直到获得最终的设计。信息不应该被添加两次，这通常是错误的根源，或者导致模型之间不同步。
该流程的一部分还应该是清晰的验证路径，这应该来自需求文档。需求应该驱动整个验证流程。我们确实在验证计划中看到了一小部分，它列出了功能，然后如何验证这些功能。但这是一个特别的过程，导致了一个更特别的指标，称为功能覆盖率。
如果规范和需求模型都是形式化的，那么就更容易看到AI和ML如何被用来理解这些模型之间的关系，从而能够为诸如填充覆盖目标、调试等任务提供直接帮助，而这反过来又会导致更好的整体流程。它还将满足当今高可靠性流程的需求，这些流程需要从需求到实现细节和测试的全面跟踪。
我们需要回头看看如何利用形式化的需求。每个属性或每次运行都与确保满足特定需求直接相关。每个需求对完全的含义都有自己的定义。如果某个需求被删除，那么哪些测试可以被省略就变得很清楚了。或者当使用敏捷方法时，可以随着产品的成熟而添加需求，并将小批量增量添加到回归套件中。
应该可以开始分析设计的哪些部分是满足需求的参与者，可能会发现对结果没有贡献的冗余活动，因此可以将其视为节能的候选。
功能覆盖在当时是一个重大的进步。没有它，有约束的随机验证技术就不会像现在这样成功。但它们也存在问题，因为它们与实际功能没有直接联系。这是一个与其他任何东西都无关的模型。这种不必要的间接将使机器学习更难做好工作。将其替换为直接源自需求或与需求相关的内容，将使覆盖差距更容易定位、更容易填充，并提供与特定需求相关的成本的更大程度的跟踪。
但半导体行业讨厌设计流程被打乱。它已经被尝试了很多次，但都失败了，尤其是在改变抽象级别的时候。随着时间的推移，这将变得更加困难，因为左移导致工具之间的相互联系越来越多，这意味着任何变化都会对它所涉及的工具数量产生更大的影响。单独的工具是在每个EDA公司的不同小组中开发的，每个小组都对自己的工具的成功负责，这意味着这种类型的变化将需要完全的公司支持。要做到这一点，首先必须有足够的需求，而这也越来越不可能。
这是否意味着我们注定要失败?一点也不。过去的许多变化都是在明显的收获足以克服颠覆的负面影响时发生的。人工智能会是其中的第一步吗?如果人工智能可以作为需求和验证流程之间的链接，那么随着时间的推移，我们可能会看到新的语言或工具的出现，这些语言或工具将加强人工智能工具的能力，这本身就可以刺激必要的势头，慢慢取代我们今天已经破碎的系统。
或许更切题的问题是，这种情况会发生吗?或者人工智能技术提供的即时收益能否满足当前需求?这可能意味着，没有必要进一步寻求更大的收益。这基本上是渐进式的改进路径，虽然最终的收益可能是他们本来可以得到的一小部分，但这些渐进式的改进足以平息混乱。
我会把钱押在后一种结果上，但我希望证明自己是错的。
|
|
|
|
|
|
|
|
留下回复