验证永久不会完成；到韶光就结束了。其目标是在韶光用完之前使验证过程收敛。 每个人都希望看到关键指标收敛于目标，并在严格的本钱和韶光限定内实现。 想象一下坐在驾驶舱内，向黑匣子输入数据，等待奇迹发生。人工智能和机器学习 (AI/ML) 如何帮助我们更快地进行回归、帮助节省调试韶光、实现验证覆盖目标以及管理资源和资金——换句话说，我们如何才能利用 AI/ML 来提高验证效率？
半导体设计的先驱瑞萨电子正面临着类似的寻衅。 市场压力和严格的流片韶光表匆匆使他们探求一种方法来优化仿真回归并在全体产品开拓过程中加速设计验证过程。 他们希望降落风险、尽早创造尽可能多的缺点、能够快速调试并知足终极用户的需求。
瑞萨开始探索 Cadence Xcelium 机器学习运用程序。 此运用利用机器学习技能并优化仿照回归以天生精简的回归。 然后利用这种优化的回归来重现与原始回归险些相同的覆盖范围，并通过仿照现有随机测试平台可能涌现的极度情形来快速找到设计缺点。
Renesas 取得了精良的成绩，节省了 66% 的完全随机验证回归周期。 这大大节省了资源、本钱和韶光。 Xcelium ML App 帮助他们实现了 2.2 倍的压缩和 100% 的覆盖率。 此外，当对一阶导数利用 ML 回归时，瑞萨实现了 3.6 倍效率减少，100%的覆盖率。
ML 回归运行 (1168) = 1/3 原始回归运行 (3774)。 这帮助他们以 30% 的速率领先于曲线并知足了上市韶光需求。
除了利用 Xcelium ML 运用程序节省资源和韶光并加速覆盖收敛外，他们还评估了 Cadence 的 Verisium AI 驱动验证平台，包括三个 Verisium 运用程序，将验证效率提高了 6 倍。 Renesas 能够节省约 27 个事情小时。
瑞萨评估了以下运用：
Verisium AutoTriage，这是一种基于 ML 的自动故障分类。 它会自动对由于相同的潜在缺点失落败的测试进行分组。 Renesas 创造分类事情减少了 70%，转化为 3.3 倍的效率提升。
Verisium SemanticDiff 帮助 Renesas 比传统差异工具更有效地快速识别故障缘故原由。 SemanticDiff 的结果侧重于高下文，因此供应了对差异的连贯剖析。 否则，对付任何工程师来说，查看 diff 命令的日志文件并逐行查看都是很麻烦的。 利用此运用程序，用户可以大幅减少调试韶光并显著提高效率。
Verisium WaveMiner 帮助高效识别差异点，用户可以在个中可视化 PASS 和 FAIL 情形之间的波形差异，方便验证者比较通过/未通过的波形/源代码。 Renesas 的调试韶光减少了 89% – 97%，实现了 9 倍的效率提升。
Cadence 的 Verisium 平台和 Xcelium ML App 共同供应了一套运用程序，利用 AI/ML 来优化验证事情负载，提高覆盖率，并加速繁芜 SoC 上设计缺点的根本缘故原由剖析。 Renesas 利用 AI 平台将其验证效率提高了 10 倍。
