本文翻譯轉載于 Cadence blog

作者：Anika Sunda

功能驗證占用了目前 SoC 設計投入勞動的 70% 以上。然而，即使在驗證上投入如此之大，流片時出現功能失效的風險卻比以往任何時候都要高。其主要原因是，設計團隊不知道功能正確性與流片目標的距離。SoC 驗證時的覆蓋收斂就像是追逐海市蜃樓。

實現真正的功能驗證收斂從而充滿信心地完成流片，看似天方夜譚。做出流片決定只能取決于當時的判斷。有經驗的工程師會基于驗證完整性指標、發現的功能性錯誤的占比和復雜性等因素，來判斷是否達到足夠的收斂水平和信心。

所有運行了無數夜間回歸測試的驗證工程師，都希望可以更快地實現覆蓋目標，尋找到一種即插即用的解決方案，一種自動化的方法，用最少的資源更快地實現覆蓋率收斂。

Xcelium 機器學習 App 從以前的回歸運行中學習，并引導 Xcelium 隨機化內核，幫助縮短回歸時間，以顯著縮短的仿真周期更快地實現覆蓋率收斂，在特定的感興趣的覆蓋點周圍捕獲更多漏洞。

下圖是機器學習 App 在某頭部半導體公司的成功應用案例。可以看到，機器學習（ML）回歸比基準運行快了大約 1.4 倍（機器學習（ML）在 ~62k 次運行時達到 96%，基準運行在約 80k 次運行后才達到相同水平）。

這個數據意味著，過去耗時 2 個月的收斂周期縮短了 2- 3 周左右。很明顯，機器學習（ML）讓回歸運行更加高效，幫助用戶更快實現覆蓋率收斂的目標。

Cadence楷登