構(gòu)成人工智能(AI)的各種算法正在進入芯片設(shè)計流程。推動這項工作的是加速先進人工智能算法所需的新芯片設(shè)計的復雜性爆炸式增長。事實證明，在這種情況下，人工智能既是問題也是解決方案。人工智能可以用來將人工智能芯片的設(shè)計問題縮小到最小。從2020年發(fā)布設(shè)計空間優(yōu)化功能(space optimization capability， DSO.ai)開始，Synopsys已經(jīng)開發(fā)了一段時間的人工智能輔助設(shè)計功能。從那時起，該公司宣布了幾項新功能，大大擴展了其人工智能輔助業(yè)務(wù)。Synopsys產(chǎn)品組合中的一個功能側(cè)重于驗證空間優(yōu)化(verification space optimization, VSO.ai)。任何新功能的真正考驗都是由真正的客戶在真正的設(shè)計中的使用，這也是本文的主題。請繼續(xù)閱讀，了解AMD如何將Synopsys AI驗證工具用于測試。

VSO.ai 的作用

設(shè)計的測試覆蓋率是半導體驗證的核心問題。戰(zhàn)斗口號是，“如果你沒有實踐它，你就沒有驗證它。”刺激向量是使用多種技術(shù)生成的，其中約束隨機是一種流行的方法。然后在設(shè)計的模擬運行中使用這些向量，尋找與預(yù)期結(jié)果不匹配的測試結(jié)果。

通過對電路進行更多的測試，發(fā)現(xiàn)功能性設(shè)計缺陷的機會就會增加。

驗證團隊選擇感興趣的結(jié)構(gòu)化代碼覆蓋度量(行、表達式、塊等)，并自動將它們添加到模擬運行中。當每個測試迭代生成符合規(guī)則的約束隨機刺激時，模擬器收集所有覆蓋形式的度量。對結(jié)果進行監(jiān)控，目標是調(diào)整約束條件以提高覆蓋率。在某些時候，團隊決定在項目進度和資源限制下盡力而為，并進行進一步的驗證。

代碼覆蓋度不能反映設(shè)計的預(yù)期功能，因此用戶定義的覆蓋度很重要。這通常需要手動完成，僅涵蓋設(shè)計行為一小部分。達到覆蓋度和驗證目標非常困難。

一個典型的芯片項目運行成千上萬次有約束的隨機模擬測試，在設(shè)計中有大量的重復活動。因此，新覆蓋度的增長速度會減慢，并且新測試的邊際效益遞減。

在某個時刻，曲線趨于平緩，通常是在實現(xiàn)目標之前。團隊必須嘗試弄清楚情況，并在時間和資源有限的情況下盡可能多地提高覆蓋度。這個過程的“最后一英里”是相當具有挑戰(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的。對于這個配置，它是一個非法計數(shù)器還是真正的漏洞?

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

對于覆蓋度的定義，Synopsys VSO.ai除了傳統(tǒng)的代碼覆蓋度，還可以推導出一些其他類型的覆蓋度，以補充用戶指定的覆蓋度。機器學習(machine learning，ML)可以從經(jīng)驗中學習，并在適當?shù)臅r候智能地重用覆蓋。即使在單個項目中，從早期結(jié)果中學習也可以幫助改進模型。

VSO.ai在粗粒度的測試級別上工作，并提供自動的、自適應(yīng)的測試優(yōu)化，隨著結(jié)果的變化而學習。首先運行具有最高回報率的測試，同時消除冗余測試，加速覆蓋度閉環(huán)并節(jié)省計算資源。

該工具還在模擬器的細粒度級別上工作，通過調(diào)整約束隨機刺激來更好地針對未執(zhí)行的覆蓋點，從而提高結(jié)果的測試質(zhì)量。這不僅加速了覆蓋率的閉環(huán)，而且還推動模型收斂到更高準確率。

通過對覆蓋結(jié)果的自動化、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)，以確定為什么沒有達到特定的覆蓋點。如果這個工具能自己解決問題，它就會解決。否則，它將向團隊展示可操作的結(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間內(nèi)以更少的設(shè)計工作獲得更好的結(jié)果。

AMD有什么發(fā)現(xiàn)

在最近于硅谷舉行的Synopsys用戶大會上，AMD發(fā)表了一篇題為"Drop the Blindfold：使用VSO.ai在受限隨機模擬中進行覆蓋回歸優(yōu)化"的文章。論文詳細介紹了AMD在多個設(shè)計中使用VSO.ai的經(jīng)驗。AMD對這項工作有很大的目標和期望：

在RTL變化和設(shè)計變體較小的情況下，以優(yōu)化、自動化的方式持續(xù)達到100%的覆蓋度。

AMD使用VSO.ai在四個不同設(shè)計的回歸樣本中應(yīng)用了一種記錄完備的方法。下圖總結(jié)了這四項實驗。

四種設(shè)計的回歸特征

AMD隨后詳細介紹了這些設(shè)計、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)計進行了對比。回顧一下將人工智能應(yīng)用于設(shè)計流程的標志性優(yōu)勢之一：

以更少的時間、更少的設(shè)計者精力實現(xiàn)更優(yōu)越的結(jié)果

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

為實現(xiàn)相同的覆蓋率，在四個設(shè)計中運行的測試數(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)，可用于衡量回歸測試的分布情況

在預(yù)算相同的情況下，可以測試更多的分區(qū)

如果默認回歸未達到100%的覆蓋率，VSO.ai有可能超過這一覆蓋率（即實驗 #1）。

覆蓋率回歸中刪除無用的測試用例

對受限隨機測試進行更可靠的測試分級

URG（統(tǒng)一報告生成器）：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

該演示對VSO.ai進行了測試，并記錄了該工具的積極影響。如前所述，這種對真實設(shè)計的用戶應(yīng)用是對新技術(shù)的真正考驗。這就是AMD對Synopsys AI驗證工具的測試。

審核編輯：湯梓紅