使用Xcelium Machine Learning技术加速验证覆盖率收敛
2023年电子技术应用第8期
植玉1，马业欣1，徐嵘2
（1.深圳市中兴微电子技术有限公司，广东 深圳 518054；2.楷登企业管理（上海）有限公司深圳分公司，广东 深圳 518000）
摘要： 随着设计越来越复杂，受约束的随机化验证方法已成为验证的主流方法。一般地，验证激励做到不违反spec描述条件下尽量随机，这样验证能跑到的空间才更充分。但是，这给功能覆盖率收敛带来极大挑战，为解决这一难题，Cadence率先推出了仿真器的机器学习功能——Xcelium Machine Learning，采用机器学习技术让功能覆盖率快速收敛，大大提高验证仿真效率。介绍了Xcelium Machine Learning的使用流程，并给出在相同模拟（simulation）验证环境下应用Machine Learning前后情况对比。最后Machine Learning在模拟（simulation）验证中的应用前景进行了展望。
中图分类号：TN402 文献标志码：A DOI: 10.16157/j.issn.0258-7998.239805
中文引用格式： 植玉，马业欣，徐嵘. 使用Xcelium Machine Learning技术加速验证覆盖率收敛[J]. 电子技术应用，2023，49(8)：19-23.
英文引用格式： Zhi Yu，Ma Yexin，Xu Rong. Accelerating verification coverage convergence using Xcelium Machine Learning technology[J]. Application of Electronic Technique，2023，49(8)：19-23.
中文引用格式： 植玉，马业欣，徐嵘. 使用Xcelium Machine Learning技术加速验证覆盖率收敛[J]. 电子技术应用，2023，49(8)：19-23.
英文引用格式： Zhi Yu，Ma Yexin，Xu Rong. Accelerating verification coverage convergence using Xcelium Machine Learning technology[J]. Application of Electronic Technique，2023，49(8)：19-23.
Accelerating verification coverage convergence using Xcelium Machine Learning technology
Zhi Yu1，Ma Yexin1，Xu Rong2
(1.Shenzhen Sanechips Technology Co.， Ltd.， Shenzhen 518054，China；2.Cadence Design Systems， Shenzhen 518000，China)
Abstract： As designs become more complex, constrained randomized verification methods have become the mainstream method for verification. Generally, the verification incentive should be as random as possible without violating the spec description condition, so that the space that the verification can cover is more sufficient. However, this brings great challenges to the convergence of functional coverage. To solve this problem, Cadence pioneered the machine learning function of the simulator - Xcelium Machine Learning, which uses machine learning technology to quickly converge the functional coverage and greatly improve the efficiency of verification simulation. This article mainly introduces the process of using Xcelium Machine Learning and gives a comparison before and after using machine learning in the same simulation verification environment. Finally, the application prospect of machine learning in simulation verification is prospected.
Key words : random test；constrained random；functional coverage；machine learning；simulation
0 引言
覆盖率驱动的随机测试生成方法是目前随机测试生成技术研究的热点，其目标是为了提高验证的自动化程度，加快验证收敛过程，提高验证效率，即通过覆盖率指导测试向量生成，进一步减少重复测试向量，加速功能验证收敛[1]。
如图1所示，通常地，为加快覆盖率收敛，验证人员根据覆盖率分析结果，找到相关随机点乃至随机变量进行分析，然后合理地调整随机变量的相应约束，反复迭代以达成覆盖率收敛的目标。这样做，存在三个问题：(1)浪费人力，重复的事情本应留给程序去做而人来做了；(2)陷入验证方法学应用误区，验证方法的天平严重偏向了定向验证，随机激励随机力度不够；(3)增加漏测风险，压缩了随机空间，可能会导致存在缺陷的空间未能随机到而错过发现缺陷的机会。
本文详细内容请下载：https://www.chinaaet.com/resource/share/2000005480
作者信息：
植玉1，马业欣1，徐嵘2
（1.深圳市中兴微电子技术有限公司，广东 深圳 518054；2.楷登企业管理（上海）有限公司深圳分公司，广东 深圳 518000）
此内容为AET网站原创，未经授权禁止转载。