構(gòu)成人工智能(AI)的各種算法正在進(jìn)入芯片設(shè)計(jì)流程。推動(dòng)這項(xiàng)工作的是加速先進(jìn)人工智能算法所需的新芯片設(shè)計(jì)的復(fù)雜性爆炸式增長(zhǎng)。事實(shí)證明，在這種情況下，人工智能既是問(wèn)題也是解決方案。人工智能可以用來(lái)將人工智能芯片的設(shè)計(jì)問(wèn)題縮小到最小。從2020年發(fā)布設(shè)計(jì)空間優(yōu)化功能(space optimization capability， DSO.ai)開(kāi)始，Synopsys已經(jīng)開(kāi)發(fā)了一段時(shí)間的人工智能輔助設(shè)計(jì)功能。從那時(shí)起，該公司宣布了幾項(xiàng)新功能，大大擴(kuò)展了其人工智能輔助業(yè)務(wù)。Synopsys產(chǎn)品組合中的一個(gè)功能側(cè)重于驗(yàn)證空間優(yōu)化(verification space optimization, VSO.ai)。任何新功能的真正考驗(yàn)都是由真正的客戶在真正的設(shè)計(jì)中的使用，這也是本文的主題。請(qǐng)繼續(xù)閱讀，了解AMD如何將Synopsys AI驗(yàn)證工具用于測(cè)試。

VSO.ai 的作用

設(shè)計(jì)的測(cè)試覆蓋率是半導(dǎo)體驗(yàn)證的核心問(wèn)題。戰(zhàn)斗口號(hào)是，“如果你沒(méi)有實(shí)踐它，你就沒(méi)有驗(yàn)證它。”刺激向量是使用多種技術(shù)生成的，其中約束隨機(jī)是一種流行的方法。然后在設(shè)計(jì)的模擬運(yùn)行中使用這些向量，尋找與預(yù)期結(jié)果不匹配的測(cè)試結(jié)果。

通過(guò)對(duì)電路進(jìn)行更多的測(cè)試，發(fā)現(xiàn)功能性設(shè)計(jì)缺陷的機(jī)會(huì)就會(huì)增加。

驗(yàn)證團(tuán)隊(duì)選擇感興趣的結(jié)構(gòu)化代碼覆蓋度量(行、表達(dá)式、塊等)，并自動(dòng)將它們添加到模擬運(yùn)行中。當(dāng)每個(gè)測(cè)試迭代生成符合規(guī)則的約束隨機(jī)刺激時(shí)，模擬器收集所有覆蓋形式的度量。對(duì)結(jié)果進(jìn)行監(jiān)控，目標(biāo)是調(diào)整約束條件以提高覆蓋率。在某些時(shí)候，團(tuán)隊(duì)決定在項(xiàng)目進(jìn)度和資源限制下盡力而為，并進(jìn)行進(jìn)一步的驗(yàn)證。

代碼覆蓋度不能反映設(shè)計(jì)的預(yù)期功能，因此用戶定義的覆蓋度很重要。這通常需要手動(dòng)完成，僅涵蓋設(shè)計(jì)行為一小部分。達(dá)到覆蓋度和驗(yàn)證目標(biāo)非常困難。

一個(gè)典型的芯片項(xiàng)目運(yùn)行成千上萬(wàn)次有約束的隨機(jī)模擬測(cè)試，在設(shè)計(jì)中有大量的重復(fù)活動(dòng)。因此，新覆蓋度的增長(zhǎng)速度會(huì)減慢，并且新測(cè)試的邊際效益遞減。

在某個(gè)時(shí)刻，曲線趨于平緩，通常是在實(shí)現(xiàn)目標(biāo)之前。團(tuán)隊(duì)必須嘗試弄清楚情況，并在時(shí)間和資源有限的情況下盡可能多地提高覆蓋度。這個(gè)過(guò)程的“最后一英里”是相當(dāng)具有挑戰(zhàn)性的。收集的數(shù)據(jù)量是壓倒性的，試圖分析它并確定覆蓋漏洞的根本原因是困難且耗時(shí)的。對(duì)于這個(gè)配置，它是一個(gè)非法計(jì)數(shù)器還是真正的漏洞?

復(fù)雜芯片的設(shè)計(jì)包含許多類似的問(wèn)題——需要分析大量數(shù)據(jù)并確定最佳前進(jìn)路徑。好消息是，AI技術(shù)可以非常成功地應(yīng)用于這類問(wèn)題。

對(duì)于覆蓋度的定義，Synopsys VSO.ai除了傳統(tǒng)的代碼覆蓋度，還可以推導(dǎo)出一些其他類型的覆蓋度，以補(bǔ)充用戶指定的覆蓋度。機(jī)器學(xué)習(xí)(machine learning，ML)可以從經(jīng)驗(yàn)中學(xué)習(xí)，并在適當(dāng)?shù)臅r(shí)候智能地重用覆蓋。即使在單個(gè)項(xiàng)目中，從早期結(jié)果中學(xué)習(xí)也可以幫助改進(jìn)模型。

VSO.ai在粗粒度的測(cè)試級(jí)別上工作，并提供自動(dòng)的、自適應(yīng)的測(cè)試優(yōu)化，隨著結(jié)果的變化而學(xué)習(xí)。首先運(yùn)行具有最高回報(bào)率的測(cè)試，同時(shí)消除冗余測(cè)試，加速覆蓋度閉環(huán)并節(jié)省計(jì)算資源。

該工具還在模擬器的細(xì)粒度級(jí)別上工作，通過(guò)調(diào)整約束隨機(jī)刺激來(lái)更好地針對(duì)未執(zhí)行的覆蓋點(diǎn)，從而提高結(jié)果的測(cè)試質(zhì)量。這不僅加速了覆蓋率的閉環(huán)，而且還推動(dòng)模型收斂到更高準(zhǔn)確率。

通過(guò)對(duì)覆蓋結(jié)果的自動(dòng)化、智能化分析，解決了最后一英里的閉環(huán)挑戰(zhàn)。VSO.ai執(zhí)行根本原因分析(RCA)，以確定為什么沒(méi)有達(dá)到特定的覆蓋點(diǎn)。如果這個(gè)工具能自己解決問(wèn)題，它就會(huì)解決。否則，它將向團(tuán)隊(duì)展示可操作的結(jié)果，例如確定沖突的約束。

下圖總結(jié)了VSO的好處。這些方法的最大好處是在更短的時(shí)間內(nèi)以更少的設(shè)計(jì)工作獲得更好的結(jié)果。

AMD有什么發(fā)現(xiàn)

在最近于硅谷舉行的Synopsys用戶大會(huì)上，AMD發(fā)表了一篇題為"Drop the Blindfold：使用VSO.ai在受限隨機(jī)模擬中進(jìn)行覆蓋回歸優(yōu)化"的文章。論文詳細(xì)介紹了AMD在多個(gè)設(shè)計(jì)中使用VSO.ai的經(jīng)驗(yàn)。AMD對(duì)這項(xiàng)工作有很大的目標(biāo)和期望：

在RTL變化和設(shè)計(jì)變體較小的情況下，以優(yōu)化、自動(dòng)化的方式持續(xù)達(dá)到100%的覆蓋度。

AMD使用VSO.ai在四個(gè)不同設(shè)計(jì)的回歸樣本中應(yīng)用了一種記錄完備的方法。下圖總結(jié)了這四項(xiàng)實(shí)驗(yàn)。

四種設(shè)計(jì)的回歸特征

AMD隨后詳細(xì)介紹了這些設(shè)計(jì)、它們所面臨的挑戰(zhàn)以及使用VSO.ai所取得的結(jié)果，并與未使用VSO.ai的原始設(shè)計(jì)進(jìn)行了對(duì)比?；仡櫼幌聦⑷斯ぶ悄軕?yīng)用于設(shè)計(jì)流程的標(biāo)志性優(yōu)勢(shì)之一：

以更少的時(shí)間、更少的設(shè)計(jì)者精力實(shí)現(xiàn)更優(yōu)越的結(jié)果

AMD在會(huì)上的演示中總結(jié)了觀察到的優(yōu)勢(shì)，該演示被評(píng)為大會(huì)年度十大最佳演示之一：

為實(shí)現(xiàn)相同的覆蓋率，在四個(gè)設(shè)計(jì)中運(yùn)行的測(cè)試數(shù)量減少了1.5 - 16倍

快速、按需回歸鑒定器

如果用戶不確定所需的迭代次數(shù)，可用于衡量回歸測(cè)試的分布情況

在預(yù)算相同的情況下，可以測(cè)試更多的分區(qū)

如果默認(rèn)回歸未達(dá)到100%的覆蓋率，VSO.ai有可能超過(guò)這一覆蓋率（即實(shí)驗(yàn) #1）。

覆蓋率回歸中刪除無(wú)用的測(cè)試用例

對(duì)受限隨機(jī)測(cè)試進(jìn)行更可靠的測(cè)試分級(jí)

URG（統(tǒng)一報(bào)告生成器）：基于種子 V/S

VSO.ai：基于概率

調(diào)試

發(fā)現(xiàn)命中概率低于預(yù)期的覆蓋項(xiàng)

該演示對(duì)VSO.ai進(jìn)行了測(cè)試，并記錄了該工具的積極影響。如前所述，這種對(duì)真實(shí)設(shè)計(jì)的用戶應(yīng)用是對(duì)新技術(shù)的真正考驗(yàn)。這就是AMD對(duì)Synopsys AI驗(yàn)證工具的測(cè)試。

審核編輯：湯梓紅