本文由半导体家当纵横（ID：ICVIEWS）编译自semi engineering
扩大的验证流程差距在召唤工具的改进，人工智能可能会发挥更大的浸染。
验证工程师是半导体行业的无名英雄，但他们正处于崩溃的边缘，急迫须要当代化的工具和流程来应对快速增加的压力。
验证不再仅仅是确保功能在实现时得到精准呈现，单单这一点便是一项无解的任务，但验证已承担起许多新的任务。个中一些任务来自技能进步，这些进步带来了更多问题，例如热问题。汽车等新运用领域增加了对安全性和保密性的需求，并且参数问题急剧增加，远远超出了大略的功率评估。除此之外，芯片行业正在靠近另一个迁移转变点，这一迁移转变点是由向 2.5D 和 3D 封装技能的迁移引发的。
现有的验证工具和方法是 20 年前开拓的。自那时以来，工具容量和性能只得到了缓步改进，而设计规模却迅速增加。只管便携式刺激（一种为将验证意图与实行验证的引擎分离开而创建的 Accellera 标准）供应了一些缓解，但采取速率缓慢，缺少全面的流程。
除了技能成分导致验证过程压力增加之外，还须要考虑人为成分。团队须要用更少的韶光完成更多事情，而人才短缺制约了该行业的发展。
靠近极限
当今利用的工具是在区块更小、系统规模与当今区块相似的根本上开拓的。验证永久不可能百分百完成，这意味着团体必须谨慎决定将精力投入到何处，以及他们乐意承担哪些风险。
Axiomise 首席实行官 Ashish Darbari 表示：“由于 AI/ML 革命为我们正在构建的设计类型增加了新的维度，设计繁芜性正在以前所未有的速率增加。”“这些系统具有严格的功率、性能和面积 (PPA) 哀求。采取更好的流程和高等验证方法（例如形式验证）还不足。该行业仍旧严重依赖刺激的不完全动态仿照方法，这不仅许可易于捕获的缺点泄露到硅片中，而且也没有机会捕获由于单时钟或多时钟域中的深状态机并发交互而涌现的繁芜缺点。”
更糟糕的是，IP 越来越模态化。“一个模块可能有 1,500 个规格项目，”Keysight 的业务开拓、营销和技能专家 Chris Mueth 说。“它们中的很多都是相互依赖的，与操作模式紧密干系，但也有不同的电压、不同的温度等等。在 6G 模块中，你有无数的模式和频段可供传输，而且它们都是相互依赖的。从频率、带宽、数据传输速率的角度来看，它们正在达到极限。你可能认为设计已经完成，但你仍旧可能错过个中一种模式。这终极可能会成为一个问题。纵然在本日的数字时期，如果你没有达到性能哀求，就会失落败。统统都变成了性能仿照。”
有时参数故障会被忽略。“更多的故障是软故障，有时也称为参数故障，”Ansys 产品营销总监 Marc Swinnen 说道。“芯片可以事情，但它该当以 1.2 千兆赫的速率运行，但最高只能达到 1.0 千兆赫。当你不雅观察任何大型芯片时，寄生元件的数量都会激增到数十万。”
这增加了失落败的风险。“在验证 IP 时，他们会讯问它将在何种环境下利用，”Synopsys 研究员 Arturo Salz 说。“他们无法验证所有可能的排列，而是会等待系统准备就绪，并将大部分验证事情推迟到系统级。这常日是一个误区，由于 IP 级缺点很难在系统级找到。这是一个更大的问题。对付多芯片，你将没有这个选择，由于该芯片 IP 可能已经制造出来，你必须在开始将其集成到下一个别系之前对其进行验证和测试。”
超越极限
约束随机算法在首次推出时取得了巨大进步，但现在却举步维艰。“我常常将约束随机算法比作泳池清洁工，”Synopsys 的 Salz 说道。“你一定不想对泳池的形状进行编程，虽然它是随机的，但泳池的周长是固定的。不要爬上墙壁，这是低效的。它会穿过泳池中央的次数比穿过角落的次数多得多，但只要有足够的韶光，它就能覆盖全体泳池。由此引申，我们能扫荡太平洋吗？不，它太大了。你须要选择得当的方法。在块级别，有效地支配该方法。形式化方法也是如此，它可能没有能力在系统级别进行形式化检讨。”
这不仅是方法的规模不对，还占用了大量最宝贵的人力资源。“仿真测试平台漏掉了这么多缺点，这并不奇怪，”Axiomise 的 Darbari 说。“与正式的测试环境比较，纵然对付中等繁芜的设计，UVM 测试平台也须要更多的韶光来启动。UVM 依赖大量的人力，由于 UVM 的根本须要大量的人力投入来编写序列，而这些序列终极不会对 DUT 进行严格的测试。这使包袱转移到功能覆盖上，以查看差距在哪里。在许多情形下，仿真工程师根本没有韶光去理解设计规范。验证工程师没有接管过 RTL 设计方面的教诲，期望他们理解微架构和架构的细节哀求太高了。”
简而言之，问题已经超出了工具的能力范围。“我不认为 UVM 已经失落去动力，”Fraunhofer IIS 自适应系统工程部门虚拟系统开拓小组的 Gabriel Pachiana 说道。“对付其预期用场而言，它仍旧是一款出色的工具。我们须要的是充分利用它，在其根本上构建更多验证软件，例如，办理硬件-软件验证的繁芜性。”
Shift left
Shift left这个术语在业界被广泛利用，但验证急迫须要Shift left。这意味着要尽早在高性能的设计抽象层面进行验证。现有的仿照器或仿真器不具备必要的性能，等到 RTL 阶段就太晚了。Breker 首席实行官Dave Kelf 表示：“在这个过程中，Shift left意味着将验证运用于 SystemC 算法模型或虚拟平台。这极大地简化了从规范到设计验证的过程。因此，在虚拟平台上制订系统验证操持，然后在仿真器或原型上进行系统验证时重新运用，可能会供应足够的方法精简，使有效的系统验证成为现实。”
然而，全体过程尚未完备开拓。“如果虚拟原型是黄金模型，你如何将它一起延伸到芯片并知道芯片仍旧是精确的？” Siemens EDA 计策验证架构师 Tom Fitzpatrick 问道。“物理原型、FPGA 原型或仿真等东西，无论底层引擎如何，都具有相同的系统视图，这一点非常主要。验证工程师将不得不开始以这种办法看待根本举动步伐。他们须要让团队中的每个人都看不到底层环境，这便是便携式刺激的浸染所在。由于它的抽象性，你可以从算法的角度来考虑测试，考虑你想要发生什么，以及数据的去向，而不必担心底层实现。”
它必须从虚拟原型开始。“我们须要尽早进行更好的架构探索，”Salz 说。“我们须要通过阶乘排列来考虑功率、吞吐量和延迟。是将缓存与 CPU 一起保留，还是将其移出到单独的芯片并增大？这些都是棘手的问题。过去，每家公司都有一个人，架构师，可以在餐巾纸上完成这项事情。但这已经是人类的极限。统统都将被投入到虚拟原型中。你将投入虚拟模型、仿真、仿照，乃至可能是已经构建好的chiplets，你可以连接后硅片。虚拟原型会以 3 到 4 千兆赫的频率运行，仿照器无法靠近这个速率。你可以得到更高的吞吐量，但代价是失落去一些韶光准确性。”
一些引擎已经绑定在一起。Cadence 产品管理组总监 Matt Graham 表示：“进行稠浊建模的能力正在不断增强。我们引入 C 模型和快速模型并将该平台连接到仿照或仿真的能力正在不断提高。更上一层楼的是数字孪生观点。仿照不会拥有 100 倍的容量，也不会变得快 100 倍，我们必须对此保持理智，必须找到创新有趣的抽象方法。虚拟平台便是个中之一。我们须要通过将原型设计和仿真移到流程的早期来接管数字孪生观点，并找到供应抽象的不同方法。”
流程内的重复利用很主要。“另一个有希望的方向是将设计和验证事情提前到开拓流程的左侧，即在开拓初期就识别缺点，”Fraunhofer 的 Pachiana 说。“SystemC和UVM-SystemC在这方面很有用。虽然这又增加了一层开拓事情，耗费了项目韶光，但关键是要重用早期的事情成果，并展示其好处。”
这个行业不喜好革命。“没有人会彻底改变他们的干事办法，”Siemens的Fitzpatrick说。“这便是事实。这也是为什么到目前为止它依然是渐进式的，由于你能做的事情是有限的。这便是便携式刺激装置发挥浸染的地方。它旨在成为进化框架中革命性的一步。能够利用现有的根本举动步伐，并添加利用UVM无法实现的额外功能，这便是它成功的办法。”
然而，构建模型的寻衅仍旧存在。Cadence 的 Graham 表示：“我们在构建模型时验证模型的能力已经提高了很多。现在有更多的模型可用，当然是处理器模型、协议模型、CPU 子系统内的东西的模型，比如同等性和性能。这是下一个抽象层次，但要构建得当的数字孪生，你须要一种可靠的方法来构建模型。”
须要一些清晰的思考。“我们须要大胆地接管它——越来越多的仿照周期和盲目的功能覆盖不会创造所有的缺点，”Darbari 说。“我喜好形式化，我坚信它比任何其他验证技能都能供应最大的投资回报，由于它可以供应详尽的证据和情由，解释是什么而不是如何。然而，我也看到盲目地运用形式化会导致产量低下。考虑需求、接口规范、理解微架构与架构以及软件/固件的关系，将使每个人更随意马虎看到大局，同时也能节制更风雅的细节，从而得到更好的验证方法。”
人工智能来救场？
人工智能已融入设计和验证的许多方面。“验证已经捉住了人工智能打破带来的愉快，”Graham 说。“客户在问我们用人工智能做什么？我们如何利用人工智能？我们须要催化我们所有的工程师，由于我们没有足够的人手。”
有一些唾手可得的成果。Keysight 的 Mueth 说：“你没有韶光在合理的韶光内仿照所有你想仿照的东西。你可以乞助于人工智能，在仿照数据中绘制干系性，说‘基于 a、b 和 c，不须要仿照 x、y 和 z。’这是一个范例的人工智能类型的问题，但你须要大量的数据来推动机器学习。”
有几种方法可以优化回归。“当你在设计中做出改变时，哪些测试针对该区域，”Salz 说。“你只须要运行测试的一个子集。强化学习可以修剪特定的测试。如果这与之前的测试非常相似，就不要运行它。这样你就可以最大化测试多样性。以前，你只有不同的随机种子来创造测试多样性。”
韶光压力越来越大，效率问题也越来越突出。“20 年前，质量差距很大，”Graham 说。“总的来说，行业知道如何缩小质量差距。现在，差距变成了效率。这便是为什么每个人都在评论辩论Shift left、生产力、上市韶光和旋转局势的韶光。这匆匆使人们开始探求利用人工智能的方法。生产力的提高不会来自和 10 年、20 年前同样的东西。”
巨大的收益将来自截然不同的方法。“许多问题都是由规范中的歧义引起的，”Salz 说。“我希望我们可以利用 GenAI 大型措辞模型来解析规范，并安排它坐副驾驶。然后它可以讯问这是否是我们的意思。GenAI 短缺的是天生时序图或天生 UML 的能力，以便设计师或架构师理解情形。我们希望可以让工具从措辞规范转变为更正式的形式规范，并实现个中一些自动化。这不能利用人工智能来编写设计，至少目前还没有。”
但人工智能可以补充模型创建方面的空缺。“我看过几篇关于利用人工智能构建这些模型的论文，无论是自上而下——我阅读规范并为其天生 C 模型——还是自下而上的不雅观察型建模技能，即不雅观察 RTL 模型的浸染，然后在更高抽象层次上统计地构建模型，”Graham 说。“我们还没有到达那一步。但我认为这是人工智能的潜在用场之一，它可能真的有助于办理非常实际的问题。”
结论
验证中的工具缺口越来越大。现有工具无法处理系统级问题，而最繁芜的问题就隐蔽在这里。虽然正在开拓一些新措辞和工具来补充这一空缺，但它们的采取速率很慢。业界彷佛被困在 RTL 抽象上，这导致模型实行涌现瓶颈。
为了鼓励开拓团队迁移到更高的抽象层次，须要新的工具以自上而下或自下而上的办法补充建模空缺。虽然人工智能可能能够供应帮助，但这种能力目前还不存在。
声明：本文系原作者创作。文章内容系其个人不雅观点，我方转载仅为分享与谈论，不代表我方附和或认同，如有异议，请联系后台。
