优化模拟回归,同时保留覆盖。
与使用需求和增加客户需求激增,硬件设计正在迅速变得更加复杂。快速变化的市场趋势,更加重视技术,如电动汽车、高效的电源管理和高性能的需求决定了处理。验证吞吐量仍然是一个瓶颈,因为SoC设计增加的大小,所以做的复杂性。添加更多的CPU核和并行运行多个测试不充分。这一切都增加了压力验证工程师验证这样的复杂的设计。
验证不完整;当您运行时间。目标是使验证过程收敛之前用完你的时间。每个人都想看到关键指标收敛于目标的目标和严格的成本和时间限制内。想象坐在驾驶舱,喂养输入黑箱,等待奇迹发生(按下一个按钮,你的工作是做)。小时的需要是人工智能和机器学习(AI /毫升)可以帮助我们让我们回归更快,有助于节省调试时间,满足我们的验证/覆盖目标,和管理资源和金钱,换句话说,我们如何用AI /毫升提高验证的效率?
瑞萨正面临类似的挑战。市场压力和严格tapeout计划把他们找一个技术/方法来优化模拟回归,加快整个产品开发设计验证过程。他们想减少风险,早期发现尽可能多的缺陷,能够快速调试,并满足最终用户的需求。
瑞萨开始探索节奏Xcelium机器学习应用程序。这个程序使用机器学习技术和优化模拟回归产生well-condensed回归。这种优化回归被用来繁殖几乎相同的覆盖原始的回归和快速地找到设计的缺陷通过模拟角情况下可能与现有的随机testbench。
瑞萨取得优秀成果并保存完整的随机验证回归周期的66%。这是一个相当大的节约资源、成本和时间。Xcelium毫升应用帮助他们达到2.2倍压缩比分恢复100%的覆盖率。此外,当使用一阶导数毫升回归,瑞萨覆盖率达到100%减少了3.6 x与恢复。
毫升回归运行(1168)= 1/3原始回归(3774)。这帮助他们获得领先快30%,满足市场需求。
除了节省资源和时间,加快覆盖与Xcelium毫升关闭应用程序,他们评估节奏Verisium AI-Driven验证平台,包括三个Verisium应用,提高到6 x验证效率。瑞萨能够保存~ 27日的工作小时。
在一起,抑扬顿挫的Verisium平台和Xcelium毫升应用提供一套应用程序利用AI /毫升优化验证工作负载,提高覆盖率,并加速根本原因分析在复杂的soc的设计缺陷。瑞萨杠杆AI平台和验证效率增加了10倍。
留下一个回复