Cadence：应对生成式 AI 变革 打造“芯片到系统”AI 驱动 EDA 全平台

本文翻译转载于：Cadence blog作者：Anika Sunda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。来源：Cadence楷登