제퍼넷 로고

시뮬레이션 기반 검증 중 자동 테스트 바이어스를 위한 Coverage-Directed 테스트 선택 방법

시간

브리스톨 대학교와 인피니언 테크놀로지스의 연구원들이 발표한 "시뮬레이션 기반 검증에서 커버리지 지향 테스트 선택을 위한 지도 학습"이라는 제목의 새로운 연구 논문.

요약 :
"제약된 무작위 테스트 생성은 시뮬레이션 기반 검증을 위한 자극을 생성하기 위해 가장 널리 채택된 방법 중 하나입니다. 무작위성은 테스트 다양성으로 이어지지만 테스트는 동일한 설계 논리를 반복적으로 실행하는 경향이 있습니다. 제약 조건은 무작위 테스트를 흥미롭고 접근하기 어렵고 아직 테스트되지 않은 논리로 편향시키기 위해 작성되었습니다(일반적으로 수동). 그러나 검증이 진행됨에 따라 대부분의 제한된 무작위 테스트는 기능 범위에 거의 또는 전혀 영향을 미치지 않습니다. 자극 생성이 시뮬레이션보다 훨씬 적은 리소스를 소비하는 경우 더 나은 접근 방식은 무작위로 많은 수의 테스트를 생성하고 가장 효과적인 하위 집합을 선택하고 해당 하위 집합만 시뮬레이션하는 것입니다. 이 논문에서는 자동 제약 조건 추출 및 테스트 선택을 위한 새로운 방법을 소개합니다. Coverage-Directed 테스트 선택이라고 하는 이 방법은 Coverage 피드백에서 지도 학습을 기반으로 합니다. 우리의 방법은 기능 범위가 증가할 가능성이 높은 테스트에 선택을 편향시키고 시뮬레이션을 위해 우선 순위를 지정합니다. 커버리지 지향 테스트 선택이 어떻게 수동 제약 조건 작성을 줄이고 효과적인 테스트의 우선 순위를 지정하며 검증 리소스 소비를 줄이고 대규모 실제 산업 하드웨어 설계에서 커버리지 폐쇄를 가속화할 수 있는지 보여줍니다.”

찾기 여기에 기술 문서. 2022년 XNUMX월 게시.

Masamba, Nyasha, Kerstin Eder 및 Tim Blackmore. “시뮬레이션 기반 검증에서 Coverage-Directed Test Selection을 위한 지도 학습.” arXiv 사전 인쇄 arXiv:2205.08524(2022).

추가 읽기 :
반도체 공학 시스템 및 디자인 채널
AI 기반 검증
AI는 기존 검증 프로세스를 돕기 위해 여러 가지 방법으로 사용될 수 있지만 가장 큰 이점은 몇 가지 기본 사항을 재고하는 데 있을 수 있습니다.
증분 검증의 과제
전체 회귀 제품군을 다시 실행할 필요 없이 설계를 변경할 수 있습니까?

spot_img

최신 인텔리전스

spot_img