西門子公司 Mentor 仿真部門的技術營銷總監 Thomas Delaye 最近研究了如何更有效地在芯片設計驗證工具中使用數據，例如硬件仿真。他發現這是一個很大的挑戰，因為硬件仿真存在數據問題，尤其是它生成的大量數據。接下來是 Lauro Rizzatti 對 Delaye 的采訪，他們討論了 AI 是否可以管理用于 SoC 驗證的數據。

Lauro Rizzatti (LR)：謝謝你今天加入我，Thomas。聽說你做過大數據分析。也許您可以談談分析的標準和到目前為止的結果。

Thomas Delaye (TD)：嗯，這并不是對大數據的真正分析。它更像是一個查看工程數據的項目，這與大數據不同。對我來說，大數據是關于創建大量信息的挑戰，以及為特定目的有效處理信息的能力。

LR：您正在研究如何使用數據來增強或更有效地驗證 SoC 設計。特別是硬件仿真。

TD：是的，沒錯。硬件仿真的數據問題有兩個具體原因。第一個非常簡單。硬件仿真會生成太多數據。想象一下，您有一個十億門設計，并且您進行了十億個周期的驗證運行。在某些情況下，您捕獲的數據量太大而無法處理甚至記錄。波形等傳統技術，每個人都已經使用了很長時間，但沒有任何幫助，因為僅僅獲得一百萬個時鐘的波形可能令人難以置信。除了大型數據集之外，還有整個基礎架構可以將數據從模擬器中取出并存儲。正如你可以想象的那樣，這不是一件容易的事。

你是什么？這就是我們轉向第二個問題的地方，即我們不想收集比需要更多的數據。通過管理數據收集，我們捕獲了大量信息以用于驗證設計。正是在這個更復雜的領域，人工智能可以發揮作用。

深度學習技術和機器學習算法可用于根據驗證結果或設計行為來研究設計。AI 可以幫助確定要審查的數據的數量和類型，以幫助了解正在發生的事情。從那時起，驗證工程師可以確定要進一步探索的內容。也許通過查看特定塊并且僅查看該塊而不是整個設計來啟動后續運行或在當前運行中更深入地挖掘。突然之間，這個龐大的數據量變成了更合理的數據量。

從龐大的數據集到僅捕獲可用數據量的這條路徑是下一代驗證平臺的關鍵。這樣，驗證工程師就可以更精確地處理不斷增長的設計規模和復雜性，以及不斷增加的軟件內容。

上圖估計了 RTL 到 GDSII 流程中每個芯片與工藝節點的存儲容量需求。資料來源：戴爾易安信

LR：您希望將仿真轉移到這個下一代驗證平臺嗎？

TD：在仿真中，我們有能力運行很長時間，并且有能力“處理”整個設計。例如，借助 Mentor 的 Veloce Strato，您可以在需要時隨時查看所有內容。雖然很容易捕捉到你想要的一切，但沒有多少人愿意這樣做。所需要的是一種向用戶提供關于何時和什么內容的指導的機制。

這是變得有點困難的地方，因為模擬器可以提供多種類型的數據。諸如運行中的基本信息之類的信息與設計本身無關。例如，運行的時鐘周期數、執行的事務類型。我將所有這些數據稱為通用細節。您只需擁有一個可以運行完整設計的具有完全可見性的快速平臺即可訪問它。

另一類基本信息是對設計行為的理解。例如，此信息讓您知道設計現在正在重置中，您不需要捕獲任何內容，因為重置序列只是重置所有內容。你只想等到下一個階段。

這種類型的數據收集需要一個“大腦”，當訪問特定內存或激活特定時鐘結構時，大腦會顯示重置。所有這些都需要設計知識。實現這一點非常復雜，因為仿真器必須查看設計中發生的情況，并將智能應用到過程中。模擬器通常不會這么做。仿真引擎和仿真引擎只是純引擎。他們接收數據，處理數據，然后取出數據。然而，在Veloce Strato中，我們創建了用于特定目的的數據采集和分析環境。下一步是擴展這種能力，并減輕在整個系統級別驗證具有大量數據的大型設計的痛苦。這就是挑戰。

LR：你能給我一個具體的例子，說明數據問題的這兩個方面在現實生活中是如何發揮作用的嗎？

TD：是的。這是一個非常簡單的例子。想象一下在基于事務的環境中運行很長時間的驗證。您拉取一個報告，告訴您何時觸發了一些DPI調用或事務調用。根據時間戳，嘗試將該事件與設計中嵌入的處理器上運行的軟件相關聯。最后，您想確定此時我正在運行這段代碼。

基于報告的用戶正在得出這一結論，但仿真環境沒有提供真正的相關信息。只有交易在給定時間發生。然后你可能會說，在這個時候，我正在運行和練習這個特定的塊-例如，我的DDR。也許我應該看看我的DDR，以了解為什么我在這個時候發送這個交易。

用戶要求我們建立關于設計中發生的事情的指針和信息，以便他們可以根據他們所知道的和他們知道要查找的內容返回并找到它。然后因為他們知道去哪里尋找，他們知道應該與哪個設計團隊合作來解決它。有時，驗證問題只是不知道應該咨詢哪個設計師團隊或外觀問題。也許順序不正確，或者某些代碼加載不正確，或者其他原因。在我的 100 億門設計中首先看什么以及在哪里看？這是第一個問題。

接下來，他們正在尋求有關可以提供哪些數據以幫助他們專注于一個特定問題的幫助。我們不需要告訴他們問題出在哪里。當然，那會更好。當我們可以根據收集到的所有數據提供范圍狹窄的數據時，它將使所提供的各種日志之間的關聯變得更容易。

另一方面，我們也可以想象有某種驗證方法可以創建標準接口或集中方式向工具提供數據，以識別最常見的問題塊，或信號類型或行為類型。進行了調查。所有這些東西都可以根據需要提供給模擬器，就像你提供斷言一樣，但是比較模糊，所以你不想花太多時間在上面。只是說，如果您在電源線上看到不符合正確順序的東西，您應該標記它。我們可以提供數據來縮小分析范圍。

LR：在這個思考和搜索的過程中，您是否遇到過任何您認為重要數據點的文獻、文章、博客等？

TD：不是我能想到的。我認為沒有人從學術甚至公眾的角度來處理這個問題。我認為這個問題是驗證的下一步。這無疑是一個全球性的問題，目前還沒有很好的答案。每個人都在向人工智能尋求幫助。

此外，人工智能引起了我們所有用戶的特別關注，因為如果我們有效地使用人工智能，我們將能夠幾乎對他們的代碼進行逆向工程。而且我很確定，由于保密性和安全性，許多公司不愿意向我們提供任何細節或提供任何設計或提供日志。我認為這種驗證方法的安全性將是困難的。在這種情況下，我們將不得不找到比 AI 更有意義的方法，而不僅僅是提供波形。

再次感謝您的有趣對話和見解，Thomas。也許我們可以在未來跟進，看看這項工作是如何進行的。

審核編輯 黃昊宇