半導(dǎo)體各領(lǐng)域的發(fā)展難度與日俱增，驗(yàn)證可能是整個(gè)發(fā)展過程中最具挑戰(zhàn)性的階段。多年來，研究顯示在驗(yàn)證上投入的時(shí)間和資源所占的百分比會隨著新時(shí)代芯片的出現(xiàn)而增加。因此整體上，驗(yàn)證的快速成長超過芯片開發(fā)和芯片制造中的其他階段。電子設(shè)計(jì)自動化（EDA）產(chǎn)業(yè)將人工智能（AI）的力量應(yīng)用到驗(yàn)證過程的各個(gè)步驟，以應(yīng)對這樣的情況。

三大驗(yàn)證關(guān)鍵挑戰(zhàn)

芯片驗(yàn)證工具、過程或方法，常常和快速找到更多程序錯(cuò)誤畫上等號。然而，實(shí)際驗(yàn)證上所考慮的因素其實(shí)更加廣泛。驗(yàn)證工程師主要關(guān)心下列三個(gè)層面：結(jié)果的質(zhì)量（QOR）、達(dá)成結(jié)果所需的時(shí)間（TTR），以及達(dá)成結(jié)果所需的成本（COR）。

QOR不難理解，驗(yàn)證團(tuán)隊(duì)會希望能找到所有的程序錯(cuò)誤。找出的程序錯(cuò)誤數(shù)量十分重要，但程序錯(cuò)誤的類型和復(fù)雜度也同樣關(guān)鍵。如果因?yàn)橐恍]發(fā)現(xiàn)的程序錯(cuò)誤而造成系統(tǒng)宕機(jī)或芯片故障，那么即使找到99.9%的程序錯(cuò)誤也只是徒勞。目前沒有方法能準(zhǔn)確知道什么時(shí)候能找到所有程序錯(cuò)誤，不過，已有一些方法能幫助驗(yàn)證團(tuán)隊(duì)決定何時(shí)能宣告成功并將芯片投片量產(chǎn)。在模擬方面，功能性和結(jié)構(gòu)性的覆蓋方法（Coverage Metrics）最為常見。達(dá)到高度覆蓋能在設(shè)計(jì)的正確性上建立信心，而未能覆蓋的部分則能作為良好準(zhǔn)則，告訴團(tuán)隊(duì)還需要進(jìn)行的額外測試。在靜態(tài)和形式（Formal）分析方面，檢查和驗(yàn)證的電路特性百分比是主要的數(shù)據(jù)，而未能百分之百驗(yàn)證的特性則可當(dāng)作分析深度的有界驗(yàn)證（Bounded Proof）信息。

基于許多原因，TTR也極具重要性。每個(gè)芯片計(jì)劃都有一個(gè)目標(biāo)出貨日期，而這日期取決于市場機(jī)會和競爭壓力。相關(guān)人員將依照該日期規(guī)劃時(shí)程，但是如果接近收斂的時(shí)間來得比預(yù)期還慢，投片量產(chǎn)以及接下來的產(chǎn)品出貨時(shí)間都會因此產(chǎn)生延遲。這不僅會造成利潤損失，在最壞的情況下，還會讓芯片在出貨前就失去競爭力。因此，驗(yàn)證工具需要能夠快速進(jìn)行測試和分析，并具備平穩(wěn)的收斂過程及迅速的除錯(cuò)功能，才有辦法趕上緊迫的時(shí)程。若時(shí)程落后，一般的應(yīng)對措施是擴(kuò)編驗(yàn)證團(tuán)隊(duì)。然而，在一個(gè)工程計(jì)劃中增加更多人員并不一定會減少完工所需的時(shí)間。

資源也包含在COR的三個(gè)層面內(nèi)。增加更多工程師不僅會增加計(jì)劃成本并減少終端產(chǎn)品的潛在利潤，取得更多運(yùn)算服務(wù)器或是租借云端服務(wù)器也都會增加成本。此外，每次啟動額外的模擬或是形式驗(yàn)證都會產(chǎn)生更多需要分析的結(jié)果。如果這些額外的驗(yàn)證測試相較于既有測試是多余的話，這些增加的非必要調(diào)試時(shí)間可能反而降低驗(yàn)證效率。最后，每次芯片re-spin都會在預(yù)算中增加一筆可觀的COR并造成TTR延遲，所以高QOR非常關(guān)鍵（圖1）。

圖1 QOR、TTR、COR三層面重點(diǎn)

AI技術(shù)多數(shù)皆以機(jī)器學(xué)習(xí)（ML）為基礎(chǔ)，可以大幅度改善芯片驗(yàn)證的三個(gè)層面。圖2顯示典型驗(yàn)證流程。在設(shè)計(jì)者將RTL編程寫入之前，架構(gòu)團(tuán)隊(duì)就會建立一個(gè)芯片的虛擬模型并分析系統(tǒng)效能。

當(dāng)關(guān)鍵決定下達(dá)時(shí)，設(shè)計(jì)團(tuán)隊(duì)就會開發(fā)RTL模型; 這些過程最好能通過整合開發(fā)環(huán)境（IDE）完成，并搭配強(qiáng)大的代碼檢測工具（Language Linting）以捕獲其他會消耗時(shí)間和資源的編碼錯(cuò)誤，并在計(jì)劃后期修復(fù)。標(biāo)記的錯(cuò)誤修復(fù)后，通常會由設(shè)計(jì)者來執(zhí)行驗(yàn)證的第一步，也就是啟動靜態(tài)驗(yàn)證工具來偵測設(shè)計(jì)中的結(jié)構(gòu)錯(cuò)誤。形式驗(yàn)證（Formal Verification）工具則能提供更深入的分析，嘗試證明關(guān)于RTL設(shè)計(jì)的關(guān)鍵性質(zhì)。

這些工具也可能由設(shè)計(jì)者啟動，盡管熟悉formal的專家也可能參與其中。同時(shí)，驗(yàn)證團(tuán)隊(duì)開發(fā)出能執(zhí)行一系列測試的測試平臺（Testbench）和模型來達(dá)成驗(yàn)證計(jì)劃的目標(biāo)，這通常會運(yùn)用到現(xiàn)有的驗(yàn)證IP（VIP）。

這些測試主要通過模擬來完成，不過近幾年硬件仿真平臺的使用也越來越普遍。如前述，覆蓋方法是判斷驗(yàn)證進(jìn)度的主要方法，而覆蓋收斂（Coverage Closure）則是高度迭代的過程，通常是驗(yàn)證時(shí)程中耗時(shí)最久的一部分。

圖2 驗(yàn)證流程概略

AI技術(shù)在靜態(tài)驗(yàn)證的應(yīng)用

隨著靜態(tài)驗(yàn)證可提供的檢查類型增加，在芯片驗(yàn)證中的重要性也越來越高。當(dāng)代的靜態(tài)解決方案包含針對跨時(shí)脈域（Clock Domain Crossing， CDC）、跨重置域（Reset Domain Crossing， RDC）以及低功率設(shè)計(jì)結(jié)構(gòu)的精密檢查。透過這樣豐富的分析陣列，以一個(gè)典型計(jì)劃中能發(fā)現(xiàn)的所有程序錯(cuò)誤而言，其中大約10%會在這個(gè)階段就被偵測到并修復(fù)。靜態(tài)工具的主要問題在于它們通常會回報(bào)好幾千個(gè)潛在的違規(guī)，很容易造成干擾。其中有些可藉由微調(diào)輸入設(shè)定來解決，如選取哪種違規(guī)回報(bào)為錯(cuò)誤、哪種違規(guī)僅是警告。發(fā)生干擾的主要原因是單一底層設(shè)計(jì)（Underlying Design）的缺失所導(dǎo)致的相關(guān)違規(guī)。例如，頻率邏輯中的程序錯(cuò)誤可能會導(dǎo)致使用該時(shí)鐘的任一正反器（Flip-flop）產(chǎn)生違規(guī)回報(bào)。就除錯(cuò)效率而言，設(shè)計(jì)者必須專注在特殊的問題上，一旦這些問題獲得解決，便能消除多數(shù)違規(guī)。

根本原因分析（Root-cause Analysis， RCA）就是一款能達(dá)到上述要求的AI賦能技術(shù)。如圖3所示，各個(gè)擊破過程中的第一步就是使用機(jī)器學(xué)習(xí)方法并根據(jù)共同特征進(jìn)行違規(guī)叢集。在剛剛提到的范例中，所有與時(shí)脈邏輯程序錯(cuò)誤相關(guān)的違規(guī)都會整合成單一叢集，其目的為讓設(shè)計(jì)者將每個(gè)叢集視為一種違規(guī)并進(jìn)行修復(fù)，如此便可修正叢集中的所有違規(guī)。數(shù)以千計(jì)的違規(guī)通常會減少至幾十個(gè)叢集，這樣能節(jié)省設(shè)計(jì)者大量的時(shí)間和精力。叢集法使用的是非監(jiān)督式的機(jī)器學(xué)習(xí)算法，因此可以在沒有用戶引導(dǎo)下自行運(yùn)作。它能識別違規(guī)的因果關(guān)系、隨著計(jì)劃進(jìn)度學(xué)習(xí)，并執(zhí)行RCA，進(jìn)而減少計(jì)劃團(tuán)隊(duì)的負(fù)擔(dān)。此外，其具有的圖像顯示和現(xiàn)成可用的Tcl指令文件能引導(dǎo)設(shè)計(jì)者找到每一個(gè)叢集中違規(guī)的根本原因。

圖3 靜態(tài)分析中的違規(guī)叢集

新思科技的靜態(tài)驗(yàn)證解決方案VC SpyGlass平臺，以及其全面性靜態(tài)低功率的驗(yàn)證解決方案VC LP，能提供包括前述甚至更多的功能。SmartGroup技術(shù)能執(zhí)行先進(jìn)的叢集法來大幅減少待檢驗(yàn)的違規(guī)數(shù)量，而RCA可加速每個(gè)叢集的除錯(cuò)速度。針對違規(guī)提出的建議修正可能是對RTL的設(shè)計(jì)進(jìn)行改變，不過通常是細(xì)微的區(qū)別或添加設(shè)計(jì)限制文件（Constraints File）?；跈C(jī)器學(xué)習(xí)的群集法和RCA的組合能在一般典型芯片計(jì)劃中提供10倍的調(diào)試效率并改善靜態(tài)驗(yàn)證。

AI技術(shù)在形式驗(yàn)證的應(yīng)用

雖然以測試平臺為基礎(chǔ)的模擬為人熟知并且廣泛應(yīng)用在驗(yàn)證技術(shù)上，但還是有其限制。除非模擬刺激（Simulation Stimulus）觸發(fā)程序錯(cuò)誤并以可觀察到的方式改變預(yù)期結(jié)果，設(shè)計(jì)上的程序錯(cuò)誤便無法被偵測到并進(jìn)一步修復(fù)。因此，總是有某些程序錯(cuò)誤會被遺漏。形式驗(yàn)證提供針對一組屬性的設(shè)計(jì)綜合分析，不需要stimulus; 該分析會考慮每一個(gè)可能的合法輸入序列，可以偵測到在模擬中難以被激發(fā)的深層程序錯(cuò)誤，這通常占所有程序錯(cuò)誤中的20%。形式驗(yàn)證還可以證明在給定的電路特性（Property）不存在更多的錯(cuò)誤，為模擬或仿真提供很高的可信度。

形式驗(yàn)證工具通常在幕后有好幾十個(gè)解算裝置（Solver）或引擎來處理好幾百或好幾千個(gè)在設(shè)計(jì)上需要驗(yàn)證的電路特性。它能處理的形式驗(yàn)證工具效能和設(shè)計(jì)尺寸皆取決于引擎效能和引擎的編排。在過去20年里，formal的技術(shù)已經(jīng)進(jìn)步許多。最近，AI和機(jī)器學(xué)習(xí)技術(shù)的采用大大改善收斂性和效能。

新思科技VC Formal是業(yè)界第一款形式驗(yàn)證工具，并將機(jī)器學(xué)習(xí)應(yīng)用在引擎編排、回歸和除錯(cuò)程序。引擎編排的目的是在實(shí)際運(yùn)算資源和時(shí)間的限制下，指派正確的引擎到正確的電路特性上，以達(dá)到最短的運(yùn)作時(shí)間和最佳的收斂演算。VC Formal在處理每一個(gè)電路特性時(shí)，都會使用實(shí)時(shí)加強(qiáng)學(xué)習(xí)，從有效和無效的方法中學(xué)習(xí)，并在下一組動作中指導(dǎo)編排，這稱為智能策略選擇（Smart Strategy Selection）。除此之外，針對每一個(gè)電路特性下達(dá)的決定都會在執(zhí)行結(jié)束時(shí)儲存在數(shù)據(jù)庫中，后續(xù)的執(zhí)行可以運(yùn)用前次執(zhí)行的學(xué)習(xí)成果，找出更好的結(jié)果，這稱為回歸模式加速器（Regression Mode Accelerator， RMA）。當(dāng)RTL設(shè)計(jì)或形式測試平臺在設(shè)計(jì)和驗(yàn)證的過程中需要修正時(shí)，形式驗(yàn)證通常會在每晚或是每周的回歸過程中執(zhí)行，以確保這些改變在設(shè)計(jì)上不會產(chǎn)生新的程序錯(cuò)誤。

如圖4所示，每次接續(xù)的VC Formal執(zhí)行都會讀取前一次執(zhí)行的設(shè)計(jì)內(nèi)容和學(xué)習(xí)數(shù)據(jù)庫來決定可安全維持的電路特性狀態(tài)，并決定哪些電路特性因?yàn)檫@些改變而需要重新執(zhí)行、哪些不能判定的電路特性應(yīng)該需要更多時(shí)間和編排資源。即使是那些需要重新驗(yàn)證的電路特性，前次執(zhí)行中的學(xué)習(xí)也會指導(dǎo)編排過程并使第二次執(zhí)行更快速。比較基準(zhǔn)（Benchmark）的數(shù)據(jù)顯示這些機(jī)器學(xué)習(xí)技術(shù)可以提升10倍以上的驗(yàn)證速度和額外的收斂能力，并減少TTR和COR，同時(shí)還能改善QOR。圖5以一項(xiàng)真實(shí)設(shè)計(jì)作為范例來說明這些好處。

圖4 VC Formal中的回歸模式加速

圖5 RMA加速電路特性收斂

AI技術(shù)在模擬的應(yīng)用

運(yùn)作時(shí)間性能對模擬回歸也至關(guān)重要，這可能包含數(shù)以千計(jì)的測試并通過執(zhí)行來驗(yàn)證所有在RTL設(shè)計(jì)和測試平臺上的編程改變。模擬會保留在芯片驗(yàn)證的核心部位，約占所有已發(fā)現(xiàn)程序錯(cuò)誤的65%。有時(shí)候?yàn)榱诵迯?fù)程序錯(cuò)誤而在設(shè)計(jì)上做的改變不僅無法正常運(yùn)作，甚至還會引發(fā)新問題。因此，頻繁進(jìn)行回歸程序來快速偵測問題是確保計(jì)劃按部就班進(jìn)行的關(guān)鍵。影響模擬和回歸效能的因素中，至少有兩項(xiàng)與AI相關(guān)的改善有關(guān)。

第一項(xiàng)因素為模擬和回歸執(zhí)行的設(shè)定。當(dāng)代模擬器具有許多選項(xiàng)和開關(guān)，對效能有著重大影響，驗(yàn)證工程師需要時(shí)間和專業(yè)知識來為特殊的設(shè)計(jì)和測試平臺進(jìn)行模擬器的設(shè)定優(yōu)化。隨著程序演化，可能會需要對設(shè)定做一些調(diào)整來維持最佳效能。使用機(jī)器學(xué)習(xí)技術(shù)來學(xué)習(xí)和維持模擬器選項(xiàng)和開關(guān)的自動化過程，可以改善回歸效能和效率。新思科技VCS模擬器中的動態(tài)性能優(yōu)化（Dynamic Performance Optimization， DPO）技術(shù)是AI在模擬性能上的一種應(yīng)用。它利用機(jī)器學(xué)習(xí)和以規(guī)則為基礎(chǔ)的AI技術(shù)，從前幾次的回歸執(zhí)行中學(xué)習(xí)并自動調(diào)整VCS設(shè)定來優(yōu)化效能，如圖6所示。該過程是自動的，所以不需要用戶輸入。不過，若驗(yàn)證工程師有相關(guān)需要，還是可以控制該流程的某些面向。例如，他們可以只在某幾天打開學(xué)習(xí)模式，并在期間內(nèi)使用相同設(shè)定執(zhí)行回歸。相較于采用模擬器設(shè)定的手動驗(yàn)證，DPO大致上可提供快上1.3~2倍的模擬執(zhí)行。

圖6 VCS中的動態(tài)效能優(yōu)化

在整體回歸效能中受影響最大的部分是收斂所需的時(shí)間。以往驗(yàn)證工程師會檢查模擬報(bào)告來判定未達(dá)到的覆蓋部分，接著變更測試或編寫新的測試來嘗試覆蓋設(shè)計(jì)上錯(cuò)失的部分。藉由隨機(jī)限制（Constrained-random）的測試平臺，他們更有可能修改測試平臺的限制，將產(chǎn)生的自動stimulus聚焦在遺漏的覆蓋范圍上，但是這還是需要相當(dāng)大的人力，并將浪費(fèi)相當(dāng)多的時(shí)間復(fù)制已覆蓋的范圍。改善這種狀況是驗(yàn)證過程中另一種AI與機(jī)器學(xué)習(xí)的應(yīng)用，而VCS也提供了一套解決方案。智能覆蓋優(yōu)化（Intelligent Coverage Optimization， ICO）能優(yōu)化隨機(jī)限制stimulus的統(tǒng)計(jì)質(zhì)量并對影響覆蓋范圍的測試問題提出見解（圖7）。在最近的芯片計(jì)劃中，ICO已經(jīng)證明能以2~3倍的速度加速收斂覆蓋范圍。驗(yàn)證團(tuán)隊(duì)可以在更短的時(shí)間內(nèi)達(dá)到更大的整體覆蓋范圍，縮短時(shí)程并節(jié)省資源。

圖7 VCS中的智慧覆蓋優(yōu)化

AI技術(shù)在調(diào)試的應(yīng)用

如前所述，模擬回歸會在計(jì)劃中執(zhí)行無數(shù)次。每次回歸失敗，驗(yàn)證團(tuán)隊(duì)都必須檢查報(bào)告并找出失敗的原因。當(dāng)程序錯(cuò)誤被修復(fù)或是新增功能需要再次進(jìn)行測試時(shí)，RTL和測試平臺程序都會不斷地改變，回歸失敗是家常便飯。手動處理日常的回歸失敗對驗(yàn)證工程資源是巨大的負(fù)擔(dān)。幸運(yùn)的是，AI與機(jī)器學(xué)習(xí)再一次提供解藥。即使模擬測試失敗的原因通常比靜態(tài)違規(guī)的原因更復(fù)雜，但依舊適用相同的自動RCA原則。

新思科技Verdi自動調(diào)試系統(tǒng)中的回歸除錯(cuò)自動化（Regression Debug Automation， RDA）功能會自動丟棄、探查和發(fā)現(xiàn)回歸失敗的根本原因（圖8）。RDA會利用AI分類和分析原始的回歸失敗并辨別在設(shè)計(jì)和測試臺上失敗的根本原因。RDA能減少RCA的所需時(shí)間，并能提升整體調(diào)試效能2倍左右。

圖8 Verdi中的回歸調(diào)試自動化

AI多方位助力芯片驗(yàn)證

AI和機(jī)器學(xué)習(xí)技術(shù)每天都在芯片設(shè)計(jì)和驗(yàn)證流程上尋找更多的應(yīng)用。特別是在驗(yàn)證領(lǐng)域，AI和機(jī)器學(xué)習(xí)可以在靜態(tài)驗(yàn)證加速失敗分析、改善形式驗(yàn)證的效能、讓模擬更有效率、加速收斂并讓模擬調(diào)試更迅速、更簡單。圖9總結(jié)優(yōu)化這些程序后對驗(yàn)證團(tuán)隊(duì)和整體芯片計(jì)劃的好處。

圖9 AI/ML為驗(yàn)證流程帶來的好處

AI與機(jī)器學(xué)習(xí)能提供更好的QOR、更短的TTR和更低的COR來解決關(guān)鍵挑戰(zhàn)，可應(yīng)用于芯片設(shè)計(jì)諸多面向。

審核編輯：郭婷