还在为覆盖率收敛而挣扎？Xcelium机器学习App为验证插上翅膀

本文翻译转载于 Cadence blog

作者：Anika Sunda

功能验证占用了目前 SoC 设计投入劳动的 70% 以上。然而，即使在验证上投入如此之大，流片时出现功能失效的风险却比以往任何时候都要高。其主要原因是，设计团队不知道功能正确性与流片目标的距离。SoC 验证时的覆盖收敛就像是追逐海市蜃楼。

实现真正的功能验证收敛从而充满信心地完成流片，看似天方夜谭。做出流片决定只能取决于当时的判断。有经验的工程师会基于验证完整性指标、发现的功能性错误的占比和复杂性等因素，来判断是否达到足够的收敛水平和信心。

所有运行了无数夜间回归测试的验证工程师，都希望可以更快地实现覆盖目标，寻找到一种即插即用的解决方案，一种自动化的方法，用最少的资源更快地实现覆盖率收敛。

Xcelium 机器学习 App 从以前的回归运行中学习，并引导 Xcelium 随机化内核，帮助缩短回归时间，以显著缩短的仿真周期更快地实现覆盖率收敛，在特定的感兴趣的覆盖点周围捕获更多漏洞。

下图是机器学习 App 在某头部半导体公司的成功应用案例。可以看到，机器学习（ML）回归比基准运行快了大约 1.4 倍（机器学习（ML）在 ~62k 次运行时达到 96%，基准运行在约 80k 次运行后才达到相同水平）。

这个数据意味着，过去耗时 2 个月的收敛周期缩短了 2- 3 周左右。很明显，机器学习（ML）让回归运行更加高效，帮助用户更快实现覆盖率收敛的目标。

Cadence楷登