目前，生成式人工智能浪潮正席卷全球各行各業(yè)，重新定義全球的工作方式。通過利用 AI 自動化處理重復性工作流程，企業(yè)得以將工作重點放在創(chuàng)新而非迭代上。

驗證領域也不例外 ——Cadence 利用生成式人工智能開發(fā)了一系列 AI 工具，助力驗證工程師縮短繁瑣的調試周期，從而將工作重心放在創(chuàng)新上。

傳統(tǒng)上，驗證工程師需要首先設計芯片和測試平臺，并使用 Xcelium 進行仿真，確保功能和代碼覆蓋率滿足要求，或在未滿足時進行調試跟蹤。然后，在調試完成后更新設計和測試平臺，最后再重復上述流程。這一過程既耗時又繁瑣，占據(jù)了整體開發(fā)時間的相當大一部分。

是否存在更好的方式呢？

Cadence 提供了幾款用于調試和分析的 AI 驗證工具：Verisium WaveMiner、AutoTriage、CodeMiner和PinDown。這些工具可在分析和調試流程的各個階段協(xié)助工程師，將調試總時間縮短達 10倍。

在回歸測試完成后，首先使用 Verisium AutoTriage 進行故障分類。手動分析故障成本高昂且效率低下，其中的一大原因是不同的故障容易被歸類至類似的組別中。例如，內(nèi)存訪問沖突問題就可能導致多個不同的測試失敗。而 AutoTriage 可以通過分析由共有問題導致的失敗測試來創(chuàng)建故障集群列表——這些共有問題可能是基于發(fā)送錯誤消息、測試名稱以及發(fā)生故障的運行時間等多種因素。然后識別這些故障間的共同線索，從而助力工程師快速找到故障的根本原因。

圖1：Verisium AutoTriage 故障整理

和所有的 AI 工具一樣，AutoTriage 接受的回歸測試訓練次數(shù)越多，其準確性和有效性就越高。在工程師審查 AutoTriage 的初步輸出、驗證聚類結果并進行調整后，AutoTriage 會根據(jù)這些修改進行自我學習，從而在后續(xù)運行中提供更好、更精準的分類結果。

然而，僅僅了解導致測試失敗的問題類型是遠遠不夠的。此時，Verisium PinDown 可助力工程師確定哪些代碼提交導致測試失敗。

圖2：Verisium PinDown 風險預測

PinDown 可以利用機器學習來確定導致測試用例失敗的原因，而且甚至能通過重新運行選定測試來自動驗證該原因。PinDown 可與 Git、Perforce 和 Subversion 等多種版本控制系統(tǒng)兼容，并利用這些系統(tǒng)中的數(shù)據(jù)來識別可能影響代碼完整性的共有外部因素，如提交錯誤代碼的時間、有提交錯誤代碼歷史的用戶，以及在同一區(qū)域內(nèi)提交代碼的不同用戶的數(shù)量等。

完成這一步后，您還可以使用其他工具來查找故障的根本原因。例如，您可以用 Verisium WaveMiner 來分析一個或多個通過或失敗的波形，并對波形中的異常行為進行隔離?？赏ㄟ^對仿真時間進行排序和縮減信號列表來標注這些異常行為，從而為工程師快速縮小問題范圍。

圖3：Verisium WaveMiner 流程

WaveMiner可以直接啟動Verisium Debug平臺，方便工程師采取相應措施。WaveMiner 不是一個波形比較工具，而是可用于深入分析可能引發(fā)異常行為的行為和信號。該流程的自動化大幅縮短了調試周期，已有用戶見證調試周期（TAT）從數(shù)天縮減至數(shù)小時。

同樣，您可以使用 Verisium CodeMiner 對代碼上下文進行類似的驗證。CodeMiner 可識別不同 Xcelium Snapshot 版本間的語義變化、對其進行排序，并智能忽視那些無關緊要的變化，同時對代碼中的重要邏輯變更進行復雜度排序，從而使工程師了解代碼中發(fā)生的重大變更位置。

圖4：Verisium CodeMiner 流程

借助這些 AI 工具，工程師可以在大大減少測試次數(shù)、大幅提高測試效率的同時達成覆蓋率目標。當然，這還只是個開始。目前，Cadence 正在研發(fā)一系列全新的 AI 工具，以進一步實現(xiàn)驗證流程各部分的自動化，從而將工程師從各種繁瑣測試和調試工作中解放出來。