Improving Simulation Regression Efficiency using a Machine Learning-based Method in Design Verification

由于SoC设计的复杂性和规模仍在不断增加，因此验证吞吐量正在成为一个主要的挑战瓶颈。简单地添加更多的CPU核心并并行运行更多的测试将不再具有可扩展性。本文讨论了改进验证吞吐量的各种方法：排名和Cadence引入的新的基于机器学习（ML）的技术，即Xcelium ML。这两种方法都旨在通过应用更有效的刺激，在更少的CPU时间内获得可比较的覆盖率。排名选择特定的种子，这些种子在之前的模拟中产生了最大的覆盖率，而Xcelium ML则通过找到随机化点和先前回归的实现覆盖率之间的相关性来生成优化的模式。本文在三个实际行业项目的例子中讨论了每种方法的量化结果以及优缺点。Xcelium ML和排名方法都始终给出了大约3倍的压缩和加速比。但基于优化的ML回归偶尔模拟出新的随机场景，产生了超过100％的覆盖率恢复。最后，提出了一种方法，以在整个产品开发过程中有效地使用Xcelium ML。

如何提高验证吞吐量，解决验证过程中的瓶颈问题？

通过排名和机器学习技术，如Xcelium ML，优化刺激以在更少的CPU时间内获得可比较的覆盖率。

论文讨论了两种方法的实验结果，并提出了一种使用Xcelium ML的有效方法。

其他相关研究未在摘要中提及。