使用Cadence AI技术加速验证效率提升

随着硬件设计规模和复杂程度的不断增加,验证收敛的挑战难度不断增大,单纯依靠增加CPU核数量并行测试的方法治标不治本。如何在投片前做到验证关键指标收敛,是验证工程师面对的难题。为解决这一难题,提出了采用人工智能驱动的验证EDA工具和生成式大模型两种提效方案,其中EDA工具有Cadence利用人工智能驱动的Verisium apps和采用机器学习技术Xcelium ML,前者用来提升验证故障定位效率,包括Verisium AutoTriage、Verisium SemanticDiff、Verisium WaveMiner等,后者可用来提升验证覆盖率收敛效率。生成式大模型可辅助智能debug和自动生成验证用例,主要介绍各实现方案,并给出了项目实验提升结果。

基于AI加速的可复用FPV平台库

形式验证FPV可将DUT抽象为状态空间进行遍历,针对动态仿真难以随机到的边界场景、异常场景和复杂组合场景可提高收敛速度,增强验证质量。但高质量Property开发对验证人员能力有较高的要求。面对该挑战,基于Cadence公司Jaspergold ABVIP提出了一种可复用FPV平台库解决方案,可在不同模块之间重用,降低FPV验证平台搭建时间,提升Property质量,同时借助其AI工具Proof Master生成加速Proven效率的database。FPV平台库+AI Database已在中兴微电子某车规项目落地并复用,发现动态仿真遗漏的4个故障。Proof Master可应用于项目全周期内,回归效率平均提升80.17%,FPV平台库+AI database可提升FPV初次Proven效率44.96%。与此同时对生成式大模型提升Property编写效率做了一定探讨。