AI/ML 解决方案加速验证曲线收敛

保证覆盖率的同时优化仿真回归

随着应用要求的激增和用户需求的增加，硬件设计变得更加复杂。市场趋势的快速变化，以及对电动汽车等技术的更多关注，决定了对高效电源管理和高性能处理的需求水涨船高。随着 SoC 设计规模的扩大，复杂程度的增加，验证吞吐量仍然是一个瓶颈，单纯依靠增加 CPU 核数量和运行更多的并行测试治标不治本。上述因素的叠加让验证工程师面对复杂设计的压力与日俱增。

验证永远不会完成；当你的时间用完时，它就结束了。目标是在你耗尽时间之前使验证过程收敛。每个人都希望看到关键指标收敛到目标，并在严格的成本和时间限制下做到这一点。想象一下，坐在驾驶舱里，向黑匣子输入信息，然后等待奇迹发生（按一个按钮，你的工作就完成了）。当务之急是人工智能和机器学习（AI/ML）如何帮助我们更快地完成回归，节省调试时间，实现验证/覆盖率目标，并管理资源和资金——换句话说，我们如何使用 AI/ML 来提高验证的效率？

瑞萨公司也面临着类似的挑战。市场压力和严格的投片时间表促使他们寻找一种技术/方法来优化仿真回归，并在整个产品开发过程中加速设计验证过程。他们希望减少风险，尽早发现尽可能多的错误，能够快速调试，并满足其终端用户的要求。

瑞萨开始探索 Cadence Xcelium 机器学习应用。这个应用程序使用机器学习技术来优化仿真回归，以产生一个更紧凑的压缩回归。然后这个优化的回归被用来重现与原始回归几乎相同的覆盖率，并通过运行现有随机测试平台可能出现的边界场景，快速找到设计错误。

瑞萨的测试结果非常完美，整个随机验证回归的时间缩短了 66%，大幅节省了资源，成本和时间。Xcelium ML App 帮助瑞萨在保证 100%覆盖率的同时将压缩效率提高 2.2 倍。此外，将 ML 回归用于首次设计迭代时，瑞萨再次实现了 100%覆盖率下，将时间缩短 3.6 倍。

基于 ML 的测试回归次数仅为 1168，相当于 3774 次原始回归的 1/3。实现目标所需时间缩短了 30%，满足了严格的上市需求。

除了利用 Xcelium ML App 节省资源和时间，加速实现设计收敛，瑞萨也评估了由 3款 Verisium App 组成，基于 AI 的 Cadence Verisium 平台，将验证生产力提高了 6 倍，共节省 27 个工时。

瑞萨评估的 App 如下：

Verisium AutoTriage，一款基于 ML 的自动化测试失败分类程序，可以将相同错误导致的测试失败自动分组。失败分组耗时降低了 70%，整体效率提升了 3.3 倍。

Verisium SemanticDiff 帮助瑞萨快速识别失败原因，比传统 diff 工具更加高效。SemanticDiff 专注于设计环境，可以提供更相关的差异分析。此外，逐条检查 diff 指令的历史文件是很繁琐的，SemanticDiff app 可以大幅缩短纠错时间，显著提升效率。

Verisium WaveMiner 可以高效识别差异点，用户可以在 PASS 和 FAIL 中将差异点可视化，便捷地比较 PASS 和 FAIL 的波型及源代码。瑞萨的纠错时间得以缩短 89%-97%，带来 9 倍的效率提升。

Cadence 的 Verisium 平台和 Xcelium ML 应用一起提供了一套利用 AI/ML 的应用，以优化验证工作负载，提高覆盖率，并加速复杂 SoC 上设计错误的根源分析。瑞萨公司利用人工智能平台，将其验证生产率提高了 10 倍。