Cadence运用人工智能改变验证流程核心技术解析

生成式人工智能正在深刻变革各行各业的运营模式，尤其在芯片验证领域，其影响力愈发显著。借助AI技术自动化处理重复性工作，工程师得以从无休止的迭代循环中抽身，将更多精力投入到真正具有价值的创新之中。

验证领域自然也不例外——Cadence推出的AI工具组合，旨在帮助验证工程师摆脱繁琐的调试周期，将更多注意力放在优化设计与提升性能上。

不妨回顾一下传统验证流程的运行方式：工程师先设计芯片和测试平台，随后通过Xcelium运行仿真，检查功能覆盖率和代码覆盖率是否达标。若不达标，便进入调试与跟踪的循环。待调试完成后，再次更新设计与测试平台，并重新执行仿真。这一流程既耗时又考验耐心，占据了开发周期中相当大的一部分。

那么，是否存在更高效的解决方案？

Cadence为此准备了一系列面向调试与分析场景的AI验证工具，包括Verisium WaveMiner、AutoTriage、CodeMiner与PinDown。这些工具分别负责分析与调试流程中的不同环节，据用户反馈，调试总时间可缩短至原来的十分之一。具体如何实现？我们来逐一拆解。

回归测试完成后，首先登场的是Verisium AutoTriage，负责故障分类。手动分析故障成本高、效率低，一个常见难题是：不同故障往往被错误地归入相似类别。例如，内存访问冲突可能导致多个测试用例同时失败。AutoTriage的做法是，通过分析由同一根源问题引发的失败用例，自动创建故障集群列表。这一归类过程会综合考虑多种因素，如输出的错误信息、测试名称，甚至故障发生时的运行时间。随后，工具会提取这些故障背后的共同线索——这样一来，工程师能更快速地定位根本原因，而不是在零散的信息中大海捞针。

图1：Verisium AutoTriage 故障整理

与所有AI工具类似，AutoTriage的训练数据越多——即它处理的回归测试越多——其准确性与有效性就越强。工程师在审查AutoTriage的初步输出后，可对聚类结果进行微调，而工具本身也会根据这些修改进行自我学习，后续运行中的分类结果自然更加精准。

当然，仅知道故障类型远远不够。关键问题是：究竟哪次代码提交导致了这次失败？

此时轮到Verisium PinDown登场，它能帮助工程师精准锁定“罪魁祸首”。

图2：Verisium PinDown 风险预测

PinDown借助机器学习判断测试用例失败的原因，并可通过重新运行选定的测试自动验证该判断。它兼容Git、Perforce、Subversion等多种版本控制系统，并利用这些系统中的数据识别可能影响代码完整性的外部因素——例如提交错误代码的时间点、有不良提交历史的用户，以及在同一代码区域内提交代码的不同用户数量。这些信息综合起来，能够提供极具价值的风险预测。

锁定问题源头后，接下来需要深入进行根本原因分析。这时可使用Verisium WaveMiner，分析一个或多个通过或失败的波形，从中隔离出异常行为。通过对仿真时间进行排序、缩减信号列表，WaveMiner能够标注这些异常，帮助工程师迅速缩小问题范围。该流程高度自动化，有用户反馈说调试周期从几天缩短至几小时。

图3：Verisium WaveMiner 流程

值得一提的是，WaveMiner并非简单的波形比较工具，它更擅长深入分析可能引发异常行为的具体信号和事件。同时，它可直接启动Verisium Debug平台，方便工程师立即采取下一步措施。

类似的逻辑也适用于代码层面的分析，Verisium CodeMiner正是为此而生。它能识别不同Xcelium Snapshot版本之间的语义变化，并对这些变化进行排序，智能过滤掉无关紧要的差异。同时，还能对代码中真正重要的逻辑变更进行复杂度排序，让工程师一目了然地识别出哪些改动值得重点排查。

图4：Verisium CodeMiner 流程

借助这些AI工具，工程师在达成覆盖率目标的同时，可大幅减少需要运行的测试次数，显著提升整体效率。当然，这仅仅是一个开端。Cadence目前正在研发一系列全新的AI工具，目标是将验证流程中更多繁琐环节自动化，让工程师真正从“反复测试、反复调试”的泥潭中走出来，将精力投入到更具创造性的工作中去。