在设计验证中使用基于机器学习的方法提高仿真回归效率
机器学习
2024-05-29 v1 硬件体系结构
摘要
由于SoC设计的复杂度和规模仍在不断增加，验证吞吐量正成为主要的挑战瓶颈。仅仅增加更多CPU核心并并行运行更多测试已无法扩展。本文讨论了提高验证吞吐量的多种方法：排序以及Cadence引入的基于机器学习的新技术，即Xcelium ML。这两种方法均旨在通过施加更高效的激励，在更少的CPU时间内获得可比的覆盖率。排序选择在先前仿真中恰好产生最大覆盖率的特定种子，而Xcelium ML则通过寻找先前回归的随机化点与已实现覆盖率之间的相关性，生成优化的模式。本文以三个实际工业项目为例，讨论了每种方法的量化结果及优缺点。Xcelium ML和排序方法均持续给出约3倍的相当压缩与加速因子。但基于ML优化的回归在模拟新的随机场景时，偶尔会产生超过100%的覆盖率回升。最后，提出了一种在整个产品开发过程中高效使用Xcelium ML的方法论。
引用
@article{arxiv.2405.17481,
title = {Improving Simulation Regression Efficiency using a Machine Learning-based Method in Design Verification},
author = {Deepak Narayan Gadde and Sebastian Simon and Djones Lettnin and Thomas Ziller},
journal= {arXiv preprint arXiv:2405.17481},
year = {2024}
}
备注
Published in DVCon Europe 2022