從2017年Google提出Transformer模型，再到去年ChatGPT的橫空出世，人們對深度學(xué)習(xí)能力邊界的認(rèn)知一次次被打破，人工智能（AI）似乎正在加速融入我們每個人的工作和生活。人們不再問AI能做什么，而是它不能做什么。從當(dāng)下熱門的ChatGPT等聊天機(jī)器人到自動駕駛汽車，AI已經(jīng)應(yīng)用到我們?nèi)粘Ｉ畹姆椒矫婷?。即便是芯片設(shè)計(jì)這種過去視為可能不適用于AI的行業(yè)，現(xiàn)在也受益于越來越智能的AI技術(shù)。

如果AI可以在芯片開發(fā)最耗時和耗力的環(huán)節(jié)助我們一臂之力，讓芯片設(shè)計(jì)更快地一次成功，那將是如何的景象？試想一下，假如我們將AI整合到芯片驗(yàn)證和調(diào)試階段，尤其是在芯片只會越來越精密和復(fù)雜的當(dāng)下，又會帶來怎樣的變化。

當(dāng)然，應(yīng)用AI的最終目標(biāo)是找出更多錯誤，加速實(shí)現(xiàn)驗(yàn)證覆蓋率目標(biāo)。數(shù)字設(shè)計(jì)存在巨大的設(shè)計(jì)狀態(tài)空間，要對所有這些空間進(jìn)行人工分析，并獲得足夠的可行見解用以改進(jìn)設(shè)計(jì)，幾乎是不可能完成的任務(wù)。

但如果AI能在這方面有效發(fā)揮作用，驗(yàn)證開發(fā)者就可以專注于發(fā)現(xiàn)和修復(fù)錯誤。想想這對芯片設(shè)計(jì)會有多大幫助。

芯片設(shè)計(jì)的復(fù)雜性與日俱增，半導(dǎo)體行業(yè)正面臨著一系列重大挑戰(zhàn)。從發(fā)展埃米級設(shè)計(jì)到Multi-Die集成再到快速節(jié)點(diǎn)遷移，開發(fā)者從未如此迫切地希望提高開發(fā)效率，尋找創(chuàng)新的解決方案。然而，受限于邏輯和功能問題，大多數(shù)片上系統(tǒng)（SoC）都難以避免代價(jià)高昂的重新流片。正因如此，開發(fā)者需要盡可能全面地進(jìn)行SoC驗(yàn)證。但是，由于成本和上市時間方面的壓力，開發(fā)者不可能一直反復(fù)運(yùn)行驗(yàn)證和調(diào)試循環(huán)。

芯片的RTL代碼設(shè)計(jì)完成以及設(shè)計(jì)狀態(tài)空間配置就緒后，便可啟動驗(yàn)證流程。芯片驗(yàn)證開發(fā)者需要逐一檢查這些空間，確保最終的SoC設(shè)計(jì)能夠正常運(yùn)行。覆蓋率收斂的目的是確保整個設(shè)計(jì)能按預(yù)期的功能正常運(yùn)行。

覆蓋率收斂流程存在三大挑戰(zhàn)：

• 覆蓋率規(guī)劃。開發(fā)者很難確定測試平臺的覆蓋率定義中要寫哪些內(nèi)容（需要什么類型的coverage group，哪里有差距，還需要寫些什么等等）。確保實(shí)現(xiàn)100%覆蓋就表示所有的錯誤都已找到，這非常重要。

• 覆蓋率收斂。開發(fā)者很難確定什么測試用例對覆蓋最有用。開發(fā)者可能要運(yùn)行同一個測試用例1000次，才能達(dá)到50%的覆蓋。隨著覆蓋率越來越接近100%，開發(fā)者會發(fā)現(xiàn)，覆蓋剩下的幾個百分點(diǎn)可能需要幾周時間才能完成。直接用例是一種有效的覆蓋手段，但要投入大量的人力去開發(fā)。

• 激勵開發(fā)和根本原因分析。開發(fā)者可能會遇到激勵本不應(yīng)該執(zhí)行某個特定配置或錯誤的情況?；蛟S激勵的編寫方式導(dǎo)致其根本無法達(dá)到覆蓋目標(biāo)。

在傳統(tǒng)芯片驗(yàn)證周期中，驗(yàn)證開發(fā)者會設(shè)定一個目標(biāo)并運(yùn)行其回歸環(huán)境。在此過程中，開發(fā)者會設(shè)置測試平臺來生成隨機(jī)激勵，從而觀察設(shè)計(jì)的響應(yīng)情況。一個設(shè)計(jì)運(yùn)行10000到15000條用例十分常見，而且驗(yàn)證團(tuán)隊(duì)往往對每條測試用例的ROI沒什么概念?；貧w的運(yùn)行可能長達(dá)數(shù)日，并占用寶貴的計(jì)算資源。

在SoC驗(yàn)證周期中，有兩個迭代循環(huán)占用了大部分的時間，其一是在運(yùn)行回歸后進(jìn)行故障調(diào)試與錯誤修復(fù)，其二是覆蓋率收斂（圖1）。這兩項(xiàng)迭代工作都非常耗時，內(nèi)容包括覆蓋率分析、發(fā)現(xiàn)覆蓋漏洞后作出調(diào)整，以及一次又一次的重新再來。發(fā)現(xiàn)故障后，驗(yàn)證團(tuán)隊(duì)需要對故障進(jìn)行分析，在RTL或測試平臺中進(jìn)行修改，并重新運(yùn)行回歸，確保這些錯誤確實(shí)得到了修復(fù)。同樣，這部分工作也需要迭代循環(huán)。

圖1：典型驗(yàn)證周期中的迭代循環(huán)。

此外，覆蓋率收斂流程最后的收尾工作通常最為棘手。對整個流程生成大量數(shù)據(jù)進(jìn)行全面的人工分析是不太可行的，因此團(tuán)隊(duì)一般都需要對芯片設(shè)計(jì)缺陷的根本原因有更多了解。

迭代循環(huán)有一個好處是可以從中學(xué)習(xí)，因此AI，尤其是機(jī)器學(xué)習(xí)（ML），正好派上用場。如果ML引擎能夠從某些模式中學(xué)習(xí)，便能夠完成相應(yīng)工作，比如從測試平臺的一行代碼中識別出可能的錯誤。學(xué)到相應(yīng)知識后，它就能將這種洞察應(yīng)用于未來的回歸，從而加快覆蓋收斂速度，尤其是隨著系統(tǒng)不斷得到訓(xùn)練，也許還能提高覆蓋水平。

AI在半導(dǎo)體行業(yè)的應(yīng)用已經(jīng)取得了顯著進(jìn)展。新思科技屢獲殊榮的DSO.ai芯片設(shè)計(jì)AI應(yīng)用最近率先實(shí)現(xiàn)了首個100次生產(chǎn)流片。DSO.ai可以自動搜索芯片設(shè)計(jì)大型解決方案空間中的優(yōu)化目標(biāo)，有助于提高開發(fā)效率并改善芯片的功耗、性能和面積（PPA）。

在驗(yàn)證方面，為了縮短調(diào)試和修復(fù)的周期，新思科技推出了采用回歸調(diào)試自動化（RDA）技術(shù)的Verdi自動調(diào)試系統(tǒng)等解決方案，為開發(fā)者帶來AI驅(qū)動的芯片驗(yàn)證工具。通過這一功能，開發(fā)者可以利用預(yù)測性分析，讓容易出錯的人工流程實(shí)現(xiàn)自動化，更輕松地找到被測設(shè)計(jì)和測試平臺故障的根本原因。更多助力實(shí)現(xiàn)調(diào)試自動化的創(chuàng)新方案即將推出，最終將把調(diào)試和修復(fù)循環(huán)變成一個無需人工干預(yù)的全自動化流程。

這些應(yīng)用僅僅是一個開始，未來必將會有更多應(yīng)用。在越來越多的EDA流程中，愈發(fā)智能的AI技術(shù)有助于開發(fā)者提高工作效率，取得更好的成效。例如，AI幫助開發(fā)者更好地了解還需要其它哪些覆蓋、越來越智能的AI技術(shù)有助于最大限度地減少回歸運(yùn)行的時間和精力，以及AI有助于加快根本原因分析，等等?；蛟S，原本需要長達(dá)數(shù)日的任務(wù)，在AI技術(shù)的幫助下只要幾個小時便可完成，節(jié)省下來的資源就可以用來開發(fā)其它項(xiàng)目，或者完成更多的增值任務(wù)。

我們的世界充斥著各種復(fù)雜問題，解決這些問題需要更加復(fù)雜的計(jì)算系統(tǒng)來處理。自動化和智能化可以完善開發(fā)者的工作，有助于開發(fā)者提高工作效率，讓設(shè)計(jì)和驗(yàn)證開發(fā)者專注于打造差異化的芯片，推動這樣的計(jì)算系統(tǒng)問世。如果AI驅(qū)動的EDA流程可以承擔(dān)重復(fù)性任務(wù)，開發(fā)者就有更多精力來處理錯誤修復(fù)并進(jìn)一步推進(jìn)他們的設(shè)計(jì)。從設(shè)計(jì)空間探索到覆蓋率和調(diào)試周期等，AI必將對諸多領(lǐng)域產(chǎn)生深遠(yuǎn)的影響。