统一 AI/ML 解决方案加速验证曲线收敛

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。