AMD如何將Synopsys AI驗證工具用于測試

構成人工智能(AI)的各種算法正在進入芯片設計流程。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計問題縮小到最小。從2020年發布設計空間優化功能(space optimization capability， DSO.ai)開始，Synopsys已經開發了一段時間的人工智能輔助設計功能。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務。Synopsys產品組合中的一個功能側重于驗證空間優化(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計中的使用，這也是本文的主題。請繼續閱讀，了解AMD如何將Synopsys AI驗證工具用于測試。

VSO.ai 的作用

設計的測試覆蓋率是半導體驗證的核心問題。戰斗口號是，“如果你沒有實踐它，你就沒有驗證它?！贝碳は蛄渴鞘褂枚喾N技術生成的，其中約束隨機是一種流行的方法。然后在設計的模擬運行中使用這些向量，尋找與預期結果不匹配的測試結果。

通過對電路進行更多的測試，發現功能性設計缺陷的機會就會增加。

驗證團隊選擇感興趣的結構化代碼覆蓋度量(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。對結果進行監控，目標是調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計的預期功能，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”是相當具有挑戰性的。收集的數據量是壓倒性的，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，它是一個非法計數器還是真正的漏洞?

復雜芯片的設計包含許多類似的問題——需要分析大量數據并確定最佳前進路徑。好消息是，AI技術可以非常成功地應用于這類問題。

對于覆蓋度的定義，Synopsys VSO.ai除了傳統的代碼覆蓋度，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)可以從經驗中學習，并在適當的時候智能地重用覆蓋。即使在單個項目中，從早期結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、自適應的測試優化，隨著結果的變化而學習。首先運行具有最高回報率的測試，同時消除冗余測試，加速覆蓋度閉環并節省計算資源。

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

通過對覆蓋結果的自動化、智能化分析，解決了最后一英里的閉環挑戰。VSO.ai執行根本原因分析(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果，例如確定沖突的約束。

下圖總結了VSO的好處。這些方法的最大好處是在更短的時間內以更少的設計工作獲得更好的結果。

AMD有什么發現

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

在RTL變化和設計變體較小的情況下，以優化、自動化的方式持續達到100%的覆蓋度。

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

四種設計的回歸特征

AMD隨后詳細介紹了這些設計、它們所面臨的挑戰以及使用VSO.ai所取得的結果，并與未使用VSO.ai的原始設計進行了對比?；仡櫼幌聦⑷斯ぶ悄軕糜谠O計流程的標志性優勢之一：

以更少的時間、更少的設計者精力實現更優越的結果

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

為實現相同的覆蓋率，在四個設計中運行的測試數量減少了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，可用于衡量回歸測試的分布情況

在預算相同的情況下，可以測試更多的分區

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（統一報告生成器）：基于種子 V/S

VSO.ai：基于概率

調試

發現命中概率低于預期的覆蓋項

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，這種對真實設計的用戶應用是對新技術的真正考驗。這就是AMD對Synopsys AI驗證工具的測試。

審核編輯：湯梓紅