芯片驗(yàn)證工具等待人工智能「拯救」

驗(yàn)證工程師是半導(dǎo)體行業(yè)的無名英雄，但他們正處于崩潰的邊緣，迫切需要現(xiàn)代化的工具和流程來應(yīng)對(duì)快速增加的壓力。

驗(yàn)證不再僅僅是確保功能在實(shí)現(xiàn)時(shí)得到精準(zhǔn)呈現(xiàn)，單單這一點(diǎn)就是一項(xiàng)無解的任務(wù)，但驗(yàn)證已承擔(dān)起許多新的責(zé)任。其中一些責(zé)任來自技術(shù)進(jìn)步，這些進(jìn)步帶來了更多問題，例如熱問題。汽車等新應(yīng)用領(lǐng)域增加了對(duì)安全性和保密性的需求，并且參數(shù)問題急劇增加，遠(yuǎn)遠(yuǎn)超出了簡(jiǎn)單的功率評(píng)估。除此之外，芯片行業(yè)正在接近另一個(gè)轉(zhuǎn)折點(diǎn)，這一轉(zhuǎn)折點(diǎn)是由向 2.5D 和 3D 封裝技術(shù)的遷移引發(fā)的。

現(xiàn)有的驗(yàn)證工具和方法是 20 年前開發(fā)的。自那時(shí)以來，工具容量和性能只得到了緩步改進(jìn)，而設(shè)計(jì)規(guī)模卻迅速增加。盡管便攜式刺激（一種為將驗(yàn)證意圖與執(zhí)行驗(yàn)證的引擎分離開而創(chuàng)建的 Accellera 標(biāo)準(zhǔn)）提供了一些緩解，但采用速度緩慢，缺乏全面的流程。

除了技術(shù)因素導(dǎo)致驗(yàn)證過程壓力增加之外，還需要考慮人為因素。團(tuán)隊(duì)需要用更少的時(shí)間完成更多工作，而人才短缺制約了該行業(yè)的發(fā)展。

接近極限

當(dāng)今使用的工具是在區(qū)塊更小、系統(tǒng)規(guī)模與當(dāng)今區(qū)塊相似的基礎(chǔ)上開發(fā)的。驗(yàn)證永遠(yuǎn)不可能百分百完成，這意味著團(tuán)體必須謹(jǐn)慎決定將精力投入到何處，以及他們?cè)敢獬袚?dān)哪些風(fēng)險(xiǎn)。

Axiomise 首席執(zhí)行官 Ashish Darbari 表示：「由于 AI/ML 革命為我們正在構(gòu)建的設(shè)計(jì)類型增加了新的維度，設(shè)計(jì)復(fù)雜性正在以前所未有的速度增加?！埂高@些系統(tǒng)具有嚴(yán)格的功率、性能和面積 (PPA) 要求。采用更好的流程和高級(jí)驗(yàn)證方法（例如形式驗(yàn)證）還不夠。該行業(yè)仍然嚴(yán)重依賴刺激的不完整動(dòng)態(tài)模擬方法，這不僅允許易于捕獲的錯(cuò)誤泄漏到硅片中，而且也沒有機(jī)會(huì)捕獲由于單時(shí)鐘或多時(shí)鐘域中的深狀態(tài)機(jī)并發(fā)交互而出現(xiàn)的復(fù)雜錯(cuò)誤?！?/p>

更糟糕的是，IP 越來越模態(tài)化?！敢粋€(gè)模塊可能有 1,500 個(gè)規(guī)格項(xiàng)目，」Keysight 的業(yè)務(wù)開發(fā)、營(yíng)銷和技術(shù)專家 Chris Mueth 說?！杆鼈冎械暮芏喽际窍嗷ヒ蕾嚨?，與操作模式緊密相關(guān)，但也有不同的電壓、不同的溫度等等。在 6G 模塊中，你有無數(shù)的模式和頻段可供傳輸，而且它們都是相互依賴的。從頻率、帶寬、數(shù)據(jù)傳輸速率的角度來看，它們正在達(dá)到極限。你可能認(rèn)為設(shè)計(jì)已經(jīng)完成，但你仍然可能錯(cuò)過其中一種模式。這最終可能會(huì)成為一個(gè)問題。即使在今天的數(shù)字時(shí)代，如果你沒有達(dá)到性能要求，就會(huì)失敗。一切都變成了性能模擬?！?/p>

有時(shí)參數(shù)故障會(huì)被忽略?！父嗟墓收鲜擒浌收?，有時(shí)也稱為參數(shù)故障，」Ansys 產(chǎn)品營(yíng)銷總監(jiān) Marc Swinnen 說道?！感酒梢怨ぷ?，但它應(yīng)該以 1.2 千兆赫的速度運(yùn)行，但最高只能達(dá)到 1.0 千兆赫。當(dāng)你觀察任何大型芯片時(shí)，寄生元件的數(shù)量都會(huì)激增到數(shù)十萬?！?/p>

這增加了失敗的風(fēng)險(xiǎn)?！冈隍?yàn)證 IP 時(shí)，他們會(huì)詢問它將在何種環(huán)境下使用，」Synopsys 研究員 Arturo Salz 說?！杆麄儫o法驗(yàn)證所有可能的排列，而是會(huì)等待系統(tǒng)準(zhǔn)備就緒，并將大部分驗(yàn)證工作推遲到系統(tǒng)級(jí)。這通常是一個(gè)誤區(qū)，因?yàn)?IP 級(jí)錯(cuò)誤很難在系統(tǒng)級(jí)找到。這是一個(gè)更大的問題。對(duì)于多芯片，你將沒有這個(gè)選擇，因?yàn)樵撔酒?IP 可能已經(jīng)制造出來，你必須在開始將其集成到下一個(gè)系統(tǒng)之前對(duì)其進(jìn)行驗(yàn)證和測(cè)試?！?/p>

超越極限

約束隨機(jī)算法在首次推出時(shí)取得了巨大進(jìn)步，但現(xiàn)在卻舉步維艱?！肝医?jīng)常將約束隨機(jī)算法比作泳池清潔工，」Synopsys 的 Salz 說道?！改阋欢ú幌雽?duì)泳池的形狀進(jìn)行編程，雖然它是隨機(jī)的，但泳池的周長(zhǎng)是固定的。不要爬上墻壁，這是低效的。它會(huì)穿過泳池中心的次數(shù)比穿過角落的次數(shù)多得多，但只要有足夠的時(shí)間，它就能覆蓋整個(gè)泳池。由此引申，我們能掃蕩太平洋嗎？不，它太大了。你需要選擇合適的方法。在塊級(jí)別，有效地部署該方法。形式化方法也是如此，它可能沒有能力在系統(tǒng)級(jí)別進(jìn)行形式化檢查。」

這不僅是方法的規(guī)模不對(duì)，還占用了大量最寶貴的人力資源?！阜抡鏈y(cè)試平臺(tái)漏掉了這么多錯(cuò)誤，這并不奇怪，」Axiomise 的 Darbari 說?！概c正式的測(cè)試環(huán)境相比，即使對(duì)于中等復(fù)雜的設(shè)計(jì)，UVM 測(cè)試平臺(tái)也需要更多的時(shí)間來啟動(dòng)。UVM 依賴大量的人力，因?yàn)?UVM 的基礎(chǔ)需要大量的人力投入來編寫序列，而這些序列最終不會(huì)對(duì) DUT 進(jìn)行嚴(yán)格的測(cè)試。這使負(fù)擔(dān)轉(zhuǎn)移到功能覆蓋上，以查看差距在哪里。在許多情況下，仿真工程師根本沒有時(shí)間去了解設(shè)計(jì)規(guī)范。驗(yàn)證工程師沒有接受過 RTL 設(shè)計(jì)方面的教育，期望他們了解微架構(gòu)和架構(gòu)的細(xì)節(jié)要求太高了?！?/p>

簡(jiǎn)而言之，問題已經(jīng)超出了工具的能力范圍。「我不認(rèn)為 UVM 已經(jīng)失去動(dòng)力，」Fraunhofer IIS 自適應(yīng)系統(tǒng)工程部門虛擬系統(tǒng)開發(fā)小組的 Gabriel Pachiana 說道?！笇?duì)于其預(yù)期用途而言，它仍然是一款出色的工具。我們需要的是充分利用它，在其基礎(chǔ)上構(gòu)建更多驗(yàn)證軟件，例如，解決硬件-軟件驗(yàn)證的復(fù)雜性?！?/p>

Shift left

Shift left 這個(gè)術(shù)語在業(yè)界被廣泛使用，但驗(yàn)證迫切需要 Shift left。這意味著要盡早在高性能的設(shè)計(jì)抽象層面進(jìn)行驗(yàn)證?，F(xiàn)有的模擬器或仿真器不具備必要的性能，等到 RTL 階段就太晚了。Breker 首席執(zhí)行官 Dave Kelf 表示：「在這個(gè)過程中，Shift left 意味著將驗(yàn)證應(yīng)用于 SystemC 算法模型或虛擬平臺(tái)。這極大地簡(jiǎn)化了從規(guī)范到設(shè)計(jì)驗(yàn)證的過程。因此，在虛擬平臺(tái)上制定系統(tǒng)驗(yàn)證計(jì)劃，然后在仿真器或原型上進(jìn)行系統(tǒng)驗(yàn)證時(shí)重新應(yīng)用，可能會(huì)提供足夠的方法精簡(jiǎn)，使有效的系統(tǒng)驗(yàn)證成為現(xiàn)實(shí)?！?/p>

然而，整個(gè)過程尚未完全開發(fā)?！溉绻摂M原型是黃金模型，你如何將它一路延伸到芯片并知道芯片仍然是正確的？」Siemens EDA 戰(zhàn)略驗(yàn)證架構(gòu)師 Tom Fitzpatrick 問道。「物理原型、FPGA 原型或仿真等東西，無論底層引擎如何，都具有相同的系統(tǒng)視圖，這一點(diǎn)非常重要。驗(yàn)證工程師將不得不開始以這種方式看待基礎(chǔ)設(shè)施。他們需要讓團(tuán)隊(duì)中的每個(gè)人都看不到底層環(huán)境，這就是便攜式刺激的作用所在。由于它的抽象性，你可以從算法的角度來考慮測(cè)試，考慮你想要發(fā)生什么，以及數(shù)據(jù)的去向，而不必?fù)?dān)心底層實(shí)現(xiàn)?！?/p>

它必須從虛擬原型開始?！肝覀冃枰M早進(jìn)行更好的架構(gòu)探索，」Salz 說?！肝覀冃枰ㄟ^階乘排列來考慮功率、吞吐量和延遲。是將緩存與 CPU 一起保留，還是將其移出到單獨(dú)的芯片并增大？這些都是棘手的問題。過去，每家公司都有一個(gè)人，架構(gòu)師，可以在餐巾紙上完成這項(xiàng)工作。但這已經(jīng)是人類的極限。一切都將被投入到虛擬原型中。你將投入虛擬模型、仿真、模擬，甚至可能是已經(jīng)構(gòu)建好的 chiplets，你可以連接后硅片。虛擬原型會(huì)以 3 到 4 千兆赫的頻率運(yùn)行，模擬器無法接近這個(gè)速度。你可以獲得更高的吞吐量，但代價(jià)是失去一些時(shí)間準(zhǔn)確性?！?/p>

一些引擎已經(jīng)綁定在一起。Cadence 產(chǎn)品管理組總監(jiān) Matt Graham 表示：「進(jìn)行混合建模的能力正在不斷增強(qiáng)。我們引入 C 模型和快速模型并將該平臺(tái)連接到模擬或仿真的能力正在不斷提高。更上一層樓的是數(shù)字孿生概念。模擬不會(huì)擁有 100 倍的容量，也不會(huì)變得快 100 倍，我們必須對(duì)此保持理智，必須找到創(chuàng)新有趣的抽象方法。虛擬平臺(tái)就是其中之一。我們需要通過將原型設(shè)計(jì)和仿真移到流程的早期來接受數(shù)字孿生概念，并找到提供抽象的不同方法?！?/p>

流程內(nèi)的重復(fù)使用很重要?！噶硪粋€(gè)有希望的方向是將設(shè)計(jì)和驗(yàn)證工作提前到開發(fā)流程的左側(cè)，即在開發(fā)初期就識(shí)別錯(cuò)誤，」Fraunhofer 的 Pachiana 說。「SystemC 和 UVM-SystemC 在這方面很有用。雖然這又增加了一層開發(fā)工作，耗費(fèi)了項(xiàng)目時(shí)間，但關(guān)鍵是要重用早期的工作成果，并展示其好處。」

這個(gè)行業(yè)不喜歡革命?！笡]有人會(huì)徹底改變他們的做事方式，」Siemens 的 Fitzpatrick 說。「這就是事實(shí)。這也是為什么到目前為止它依然是漸進(jìn)式的，因?yàn)槟隳茏龅氖虑槭怯邢薜?。這就是便攜式刺激裝置發(fā)揮作用的地方。它旨在成為進(jìn)化框架中革命性的一步。能夠利用現(xiàn)有的基礎(chǔ)設(shè)施，并添加使用 UVM 無法實(shí)現(xiàn)的額外功能，這就是它成功的方式?！?/p>

然而，構(gòu)建模型的挑戰(zhàn)仍然存在。Cadence 的 Graham 表示：「我們?cè)跇?gòu)建模型時(shí)驗(yàn)證模型的能力已經(jīng)提高了很多?，F(xiàn)在有更多的模型可用，當(dāng)然是處理器模型、協(xié)議模型、CPU 子系統(tǒng)內(nèi)的東西的模型，比如一致性和性能。這是下一個(gè)抽象層次，但要構(gòu)建合適的數(shù)字孿生，你需要一種可靠的方法來構(gòu)建模型?！?/p>

需要一些清晰的思考?！肝覀冃枰竽懙亟邮芩絹碓蕉嗟哪M周期和盲目的功能覆蓋不會(huì)發(fā)現(xiàn)所有的錯(cuò)誤，」Darbari 說?！肝蚁矚g形式化，我堅(jiān)信它比任何其他驗(yàn)證技術(shù)都能提供最大的投資回報(bào)，因?yàn)樗梢蕴峁┰敱M的證據(jù)和理由，說明是什么而不是如何。然而，我也看到盲目地應(yīng)用形式化會(huì)導(dǎo)致產(chǎn)量低下?？紤]需求、接口規(guī)范、理解微架構(gòu)與架構(gòu)以及軟件/固件的關(guān)系，將使每個(gè)人更容易看到大局，同時(shí)也能掌握更精細(xì)的細(xì)節(jié)，從而獲得更好的驗(yàn)證方法。」

人工智能來救場(chǎng)？

人工智能已融入設(shè)計(jì)和驗(yàn)證的許多方面?！蛤?yàn)證已經(jīng)抓住了人工智能突破帶來的興奮，」Graham 說。「客戶在問我們用人工智能做什么？我們?nèi)绾卫萌斯ぶ悄?？我們需要催化我們所有的工程師，因?yàn)槲覀儧]有足夠的人手。」

有一些唾手可得的成果。Keysight 的 Mueth 說：「你沒有時(shí)間在合理的時(shí)間內(nèi)模擬所有你想模擬的東西。你可以求助于人工智能，在模擬數(shù)據(jù)中繪制相關(guān)性，說『基于 a、b 和 c，不需要模擬 x、y 和 z?！贿@是一個(gè)典型的人工智能類型的問題，但你需要大量的數(shù)據(jù)來推動(dòng)機(jī)器學(xué)習(xí)?！?/p>

有幾種方法可以優(yōu)化回歸?！府?dāng)你在設(shè)計(jì)中做出改變時(shí)，哪些測(cè)試針對(duì)該區(qū)域，」Salz 說?！改阒恍枰\(yùn)行測(cè)試的一個(gè)子集。強(qiáng)化學(xué)習(xí)可以修剪特定的測(cè)試。如果這與之前的測(cè)試非常相似，就不要運(yùn)行它。這樣你就可以最大化測(cè)試多樣性。以前，你只有不同的隨機(jī)種子來創(chuàng)造測(cè)試多樣性。」

時(shí)間壓力越來越大，效率問題也越來越突出。「20 年前，質(zhì)量差距很大，」Graham 說。「總的來說，行業(yè)知道如何縮小質(zhì)量差距。現(xiàn)在，差距變成了效率。這就是為什么每個(gè)人都在談?wù)?Shift left、生產(chǎn)力、上市時(shí)間和扭轉(zhuǎn)局面的時(shí)間。這促使人們開始尋找利用人工智能的方法。生產(chǎn)力的提高不會(huì)來自和 10 年、20 年前同樣的東西?！?/p>

巨大的收益將來自截然不同的方法?！冈S多問題都是由規(guī)范中的歧義引起的，」Salz 說?！肝蚁Ｍ覀兛梢允褂?GenAI 大型語言模型來解析規(guī)范，并安排它坐副駕駛。然后它可以詢問這是否是我們的意思。GenAI 缺少的是生成時(shí)序圖或生成 UML 的能力，以便設(shè)計(jì)師或架構(gòu)師了解情況。我們希望可以讓工具從語言規(guī)范轉(zhuǎn)變?yōu)楦降男问揭?guī)范，并實(shí)現(xiàn)其中一些自動(dòng)化。這不能使用人工智能來編寫設(shè)計(jì)，至少目前還沒有?！?/p>

但人工智能可以填補(bǔ)模型創(chuàng)建方面的空白?！肝铱催^幾篇關(guān)于使用人工智能構(gòu)建這些模型的論文，無論是自上而下——我閱讀規(guī)范并為其生成 C 模型——還是自下而上的觀察型建模技術(shù)，即觀察 RTL 模型的作用，然后在更高抽象層次上統(tǒng)計(jì)地構(gòu)建模型，」Graham 說?！肝覀冞€沒有到達(dá)那一步。但我認(rèn)為這是人工智能的潛在用途之一，它可能真的有助于解決非常實(shí)際的問題?！?/p>

結(jié)論

驗(yàn)證中的工具缺口越來越大?，F(xiàn)有工具無法處理系統(tǒng)級(jí)問題，而最復(fù)雜的問題就隱藏在這里。雖然正在開發(fā)一些新語言和工具來填補(bǔ)這一空白，但它們的采用速度很慢。業(yè)界似乎被困在 RTL 抽象上，這導(dǎo)致模型執(zhí)行出現(xiàn)瓶頸。

為了鼓勵(lì)開發(fā)團(tuán)隊(duì)遷移到更高的抽象層次，需要新的工具以自上而下或自下而上的方式填補(bǔ)建?？瞻?。雖然人工智能可能能夠提供幫助，但這種能力目前還不存在。