机器学习的奇迹:解决线头快速调试与根源分析(第3部分)
逐步实现可预测芯片设计关闭已成为全球挑战的团队。尽管产品毛羽工具已经存在了几十年,传统工具需要大量努力来过滤掉噪音和最终归零校正实际设计问题。随着特定于应用程序的集成电路(ASIC)的规模和复杂性,芯片设计者需要较高的调试效率在管理大量的违规行为,以最终实现较短的周转时间(乙)。
本系列产品毛羽的前两个部分中,我们建立了产品毛羽提供了一个全面的机制来检查基本芯片设计的缺点和感动的很多好处有更深层次的功能线头分析指导的方法。
识别内部编码风格之间的差距,我们的丰富经验与行业领导者给了我们合作的优势加速RTL和芯片系统(SoC)设计流程为客户以前看不见的。解决方案等Synopsys对此VC SpyGlass™疾控中心已经证明有价值的先进的机器学习(ML)算法是如何实现SoC设计结果与可扩展性能和调试效率高。利用行业标准我们几十年的实践和专业知识,最新提供的Synopsys对此VC SpyGlass线头现在包括强大的ML功能显著提高调试效率为设计师。
在这个博客的结局系列中,我们将介绍传统产品毛羽工具的缺点,毫升的功能和根源分析(ML-RCA)加速设计结果,关键的好处Synopsys对此VC SpyGlass线头,和我们看到的未来智能产品毛羽。
现有产品毛羽工具的缺点
10“规则”的状态,它是10倍昂贵和难以找到并修复一个错误从pre-silicon post-silicon。一般来说,传统的线头EDA工具设计提供更多的噪音,因为RTL线头检查违反静态识别设计。
传统线头流依赖手动调试要求设计师调试侵犯一个接一个,一个高度低效的方法导致重复和不必要的周期。团队处理multi-million-gate SoC设计,线头签收可以几个星期。因此设计师需要一个聪明的方法来调试周期和增加援助规模确定真正的差距在设计。
传统剥绒机传动的缺点需要全面ML-powered产品毛羽技术,结合综合正式引擎时,可以使一个真正的左移位在整个开发生命周期,帮助设计师快速地判断标记侵犯。
锤击下噪音:机器学习如何发挥作用?
在第1部分中,我们讨论了如何功能线头分析为用户提供了一个干净线头结果,帮助他们减少设计周期、设计问题确认后和旗帜先进的检查如活锁、死锁,deadcode等等。当谈到ML-powered产品毛羽,有一个重要的方法,设计师需要注意的:高效违反集群基于相似的根源。
简单地说,聚类方法的目标是确定的因果关系。通过整合毫升用聚类的方法,自动进行根源分析(RCA)集团所有违反设计由一个共同的根源。基于分类,每个违反映射对的根源,使设计师能够确定他们为什么存在,如果存在类似的违规行为引发的一个根源。
例如,想象有100000违反现在在设计一个标准的线头。当使用Synopsys对此VC SpyGlass ML-RCA运行期间,这些违反100000年被分成20000集群,每个集群包括违反(100000除以50),所有这些都有一个共同的根源。然后集群功能调试艾滋病应对其背后的原因造成20000违规。
违反可以有多个根源或多个根源可以指向一个违反。Synopsys对此的VC SpyGlass皮棉(如上图所示),这些原始输入违反分析100000年违反和使用集成的ML算法开发每个集群,同时识别和建立因果关系。工具自动推断根源对于任何设计和缩小之间的关系侵犯多个无需专业领域或训练数据。通过这种独特的方法,用户可以快速解决成千上万的违法行为集中在一组使用ML-RCA和建立成功的第一天-梦想成真的EDA社区。
绘制产品毛羽路
的好处我们解体ML-powered先进产品毛羽和集成正式引擎,可能性是无限的。公司不再需要找出如何宝贵的资源和时间投资于发展专业技能,而不是可以依靠Synopsys对此VC SpyGlass棉绒等解决方案快速检验的一些最复杂的SoC设计。
展望未来,我们将继续投资于我们巨大的规则选择汽车和其他新兴应用,指导客户左移位和构建方法,提高下一代设计和满足市场需求的增长。随着设计范围和大小的增加,我们希望我们的努力将更多的用例的技术,可以肯定的说,智能产品毛羽会变得比以往任何时候都更为重要。
如果你错过了它
补上其他博客关于产品毛羽的更多见解:
