91吃瓜网

VSO.ai 具備什麼功能

设计的測試覆蓋率(test coverage)是半導體验证的核心問題。有一句作戰口號是這樣說的：「如果您從未實行過測試，您就未曾真正完成验证。」我們可以使用多種技術生成刺激(stimulus)向量，其中限制隨機 (constrained random)向量是一種常見的方法。接著，將這些向量應用在设计的模拟中，並找出與預期結果不符的測試結果。

透過實行更多次電路測試，找到功能设计缺陷的機會也隨之"增加。

验证團隊選擇相關結構程式碼覆蓋率指標(行、運算式、區塊等)，並在執行模拟時，自動納入這些指標。隨著每一次測試迭代(iteration)產生出與規則相符的隨機限制向量，模拟器就會收集其中的所有覆蓋率形式指標。測試結果會受到監控，目標是調整限制以嘗試提高覆蓋率。到了某一時機點，團隊會選擇在專案排程和资源限制範圍內所達成的最佳測試結果，接著進行投片(tape out)。

程式碼覆蓋率並不會反映出該设计的預期功能，因此由使用者定義的覆蓋率就顯非常重要。這通常是手動的工作，僅涵蓋有限百分比的设计行為(design behavior)。要收斂覆蓋率並實現验证目標極為困難。

一般的晶片專案會執行數千次限制隨機模拟測試，在设计中進行大量重複性活動。因此，測試覆蓋率會逐漸降低，隨著時間推移，每次進行新測試的優勢也因而減少。

測試覆蓋率曲線通常會在實現目標前趨於平緩。團隊必須嘗試掌握問題所在，並在時間和资源限制範圍內盡可能提高覆蓋率。此過程的「關鍵最後一哩路」深具挑戰性。運行測試所收集到的資料量十分龐大，且嘗試分析資料並判定覆蓋率漏洞的根本原因既困難又耗費人力。比方說，我們要如何判別這個測試設定到底是illegal bin，還是真正的覆蓋漏洞？

繁複的晶片设计面臨的各種問題，不外乎是需要分析大量資料，並識別最佳開發方向。好消息是，AI 技術在因應這類問題上有絕佳的表現。

針對覆蓋率的定義，新思科技 VSO.ai 可以推斷超出傳統程式碼覆蓋率範圍外的某些覆蓋率類型，進而完善使用者指定的覆蓋率。機器學習 (Machine learning, ML)可以從經驗中學習，並在適當情況下智慧化地重複利用覆蓋率結果。即使是在單一專案中，從早期覆蓋率結果中學習也有助於改善覆蓋率模型。

此外，Synopsys VSO.ai 可在粗略測試階段(coarse-grained test level)中運作，並針對測試結果的變化反覆學習，提供自動且適應性(adaptive)的測試優化結果。在消除冗餘測試(redundant test)的同時，VSO.ai將優先執行投資報酬率(ROI)最高的測試，從而加速覆蓋率收斂並節省運算资源。

而該工具還能在精密階段(fine-grained level)的模拟器中執行測試，透過限制隨機stimulus的調整，更精準地鎖定尚未實行的覆蓋點，進而提高測試結果品質(quality of results, QoR)。此方式不僅加速了覆蓋率收斂，也促使收斂水準達到更高的百分比。

而收斂挑戰的關鍵最後一哩路，會透過運用自動化、AI 驅動的覆蓋率結果分析來實現。VSO.ai可執行根本原因分析(root cause analysis, RCA)，以判定未達到特定覆蓋點的原因。如果此問題能夠由VSO.ai自行解決，那麼此工具就會自動進行問題排除。否則，VSO.ai會向團隊提供可操作的結果，像是識別相互衝突的限制條件。

下圖總結了 VSO.ai 能帶來的優勢。這些方法的首要優勢在於设计人員可以在更短時間內，花費更少的设计精力，實現卓越的結果。且让我们先继续瞭解实验成果，稍后再回头探讨这个论述。

础惭顿的发现

AMD 在新思科技2023年3月於矽谷舉辦的使用者大會 (Synopsys Users Group, SNUG) 中發表了一篇論文，標題為「揭開神秘面紗：在隨機限制模拟中使用 VSO.ai(验证空間優化)，實現覆蓋率迴歸(regression)最佳化」。這篇論文詳細說明AMD在多項设计中使用VSO.ai的經驗。而AMD 對這項工作抱持著重大目標和期待：

在RTL和设计變量(design variant)微調的情況下，以自動化且最佳化的方式持續實現100%覆蓋率。

AMD 運用VSO.ai在四種不同设计的迴歸樣本中應用詳細紀錄的方法論。下圖為這四種實驗做了一 個總結。