目前的设计和验证流程大多建立在粗暴的力量分析上，这是一种简单而直接的方法。但这种方法很少有规模，随着设计变得越来越大，相互依存关系的数量也越来越多，确保设计始终在规格内运行正成为一项艰巨的任务。除非设计团队想不断增加余量，否则他们必须找到设计中对某种形式的变化最敏感的区域，以便适当地处理它们。这些可以是功能、安全、电压、温度或制造变异性。

"随着先进节点的制造成本不断上升，设计人员正在引入不断增加的设计裕度，以管理灵敏度风险并确保良品率，"Synopsys数字设计集团产品营销总监Rahul Deokar说。"这些裕量限制了半导体创新，在设计最快、最高效的SoC时是一个重大的挑战，从而使功耗、性能和面积成为摆设。"

过去使用的许多统计技术不再有效，因为其中的一些相互依赖关系变成了多物理学性质。这些复杂的关系会导致非线性甚至不连续的关系。因此，寻找必要的最小值或最大值在计算上变得不切实际。

功能上的相互依赖也会产生无法通过边际处理的问题。验证工具和流程往往无助于首先定位最重要的验证区域，因为它们将每一行代码或覆盖率目标都视为平等的。

"虽然我们的计算能力比过去强得多，但我们并不奢望使用每一种可能的方法和每一个可能的数据，"Vtool的产品负责人Uri Feigin说。"如果你这样做，你会发现计算能力还是不够的。我们必须减少垃圾数据的数量。"

过去，业界一直依赖抽象和统计抽样，但这些变得越来越困难，而且在某些情况下越来越不准确。一些业内人士正在寻求人工智能(AI)来帮助解决问题，而另一些人则认为，在处理问题的方式上需要更多的基本智能。

    正确的抽象  

业界常常依靠抽象化来简化问题。通过摆脱不必要的细节，可以做更多的分析，专注于主要问题。这在很多情况下仍然很有效，但重要的是要确保抽象是有效的，也是有用的。

"虚拟原型工具和模型使SoC架构师能够为早期架构分析进行敏感性分析，"Synopsys首席应用工程师Tim Kogel说。"一个典型的例子是优化SoC互连和存储器配置，从而满足所有IP子系统的特定带宽和延迟要求。这就需要对潜在的数百个设计配置参数进行敏感性分析，如时钟频率、数据宽度、缓存和缓冲区大小，或未完成的事务，与性能相关的指标，如每个组件的带宽、延迟、利用率和竞争。功率、能量和面积也被纳入敏感性分析，以权衡性能改进与成本相关指标。"

一个好的抽象并不总是意味着高层。"在晶体管层面，你可以运行仿真来了解每个晶体管对工艺变化的敏感度，"西门子业务Mentor的AMS验证高级产品经理Nebabie Kebebew说。"你可能需要处理你的模拟电路对工艺变化的敏感度，因为那会影响你的功耗。你可以运行器件尺寸扫描，看看你的设计表现如何。这是用最坏情况下的PVT角，你之前通过在整个电路上运行仿真发现的。这种反馈，再加上设计师的洞察力，使他们能够做出权衡，以满足低功耗的目标。"

参数扫频也被用于其他领域。"这是一种直接的方法，"Synopsys的Kogel说。"你可以改变设计和配置参数，这些参数是已知的或被怀疑会在目标关键性能指标(KPIs)上移动指针。以设计参数对KPI的影响为例，可以使用透视图对结果进行后处理，绘制出设计参数对KPI的影响。图1显示了推理加速器在DDR内存控制器的背景下，功率、能量和延迟在各种设计参数（如并行内核数量、DDR速度和进一步的控制器配置参数）上的变化。"

图1.设计参数扫描的运行时间和能量比较。设计参数扫描的运行时间和能量比较。

但并非所有的历史抽象都仍然有用，问题可能必须重新制定。考虑一下测试设计（DFT），它曾经是基于一个卡住故障和过渡故障模型。这是一个简单的模型，它曾经与制造缺陷有相当好的相关性。

改变这个模型可能很艰难。"DFT团队可能会花几年时间建立ATPG目标，如覆盖率目标、模式大小或其他一些指标，用于卡在故障和过渡故障模型，"Mentor的技术实现总监Ron Press说。"已经公布了以缺陷为导向的测试结果，它不再基于故障模型抽象的缺陷建模。相反，它使用设计的物理建模来确定缺陷可能发生的地方。事实证明，它对真实缺陷的建模和测试要准确得多。麻烦的是弄清楚从传统模式和新模式中选择哪种模式使用起来最有效。"

选择模式是几个应用领域的问题。在DFT内部，Mentor的出版社将这个过程描述为："首先根据缺陷的临界面积来确定缺陷发生的可能性，这种新的方法被称为总临界面积，它可以考虑到它们检测到的缺陷，对各种模式集进行排序，然后选择最有效的模式来应用。"

类似的问题也发生在功率分析上。"我可能有上千个向量，"Ansys公司PowerArtist产品管理负责人Preeti Gupta说。"我如何识别那些在所有这些向量中具有最活跃信号的向量？如果我有时序关键路径，我如何获得更多关于这些路径沿途时序功率灵敏度的数据，以便做出设计决策？你不可能让瞬态分析工具在数百万个周期上工作，因为你永远不会把芯片录下来。你必须把模式的数量减少到少数。然后你就可以运行分析，查看芯片上的动态压降。我们不奢望在所有可能的情况下运行完整的分析。相反，我们需要聪明地部署谨慎但安全的修剪。"

    集中  

拥有能够让你集中注意力的工具和指标有助于。"公司往往需要多年的生产故障数据才能决定适当的制造测试目标，"Press说。"考虑针对所有潜在的桥式故障的测试覆盖率，这可能是一个庞大的清单。你可能会实现99%的所有桥接故障的检测，但却错过了数百个最可能的桥接故障。为了减少DPM，选择最有可能发生的桥的子集更有效。"

功能验证也有类似的挑战。"在UVM以及一般的SystemVerilog中，功能覆盖的概念是面向任何容易覆盖的东西，"Vtool的验证经理Darko Tomusilovic说。"经常发生的情况是，很多覆盖点被定义，只是因为它们很容易添加，即使它们没有提供多少有意义的价值。有很多时候，真正的角落案例并没有被覆盖，只是因为用现有的覆盖语言来表达它们太难了。我们还有很长的路要走，才能在覆盖领域达到类似的质量水平。很多时候，这只是被看做是一种开销，因为当我们到达覆盖范围的时候，我们已经知道这种设计或多或少是可行的。"

    统计分析  

已采用的一种技术是统计分析。这可以让你抽取样本，并推断出你发现目标项目的可接受数量的可能性。"统计敏感性分析是一个已经存在了几十年的概念，但从来没有在小的设计块之外的部署是可行的，在大规模的SoC生产流程中更不可行，"Synopsys的Deokar说。"用于真实统计分析的蒙特卡罗模拟需要重复数千次甚至数百万次相同的分析，以获得高sigma精度，这太耗时了，无法跟上SoC设计实施和签收期间的快节奏。"

对于许多行业来说，高Σ正在成为一种必需品。"任何进入汽车领域的芯片，或者任何进入关键任务应用的芯片，或者任何需要更高精度的芯片都需要高sigma，"Mentor公司AMS验证高级产品经理Sathish Balasubramian说。"在特定的时间内，他们没有办法使用蒙特卡洛采样来验证模拟电路。理论上，如果你有无限的资源和足够的时间，你可以做到这一点。但即使是这样，人们也试图采取最坏的情况，并询问我在设计中是否建立了足够的余量，它应该可以工作。这可能需要更多的防护带，这会影响性能或面积。"

    新方法  

对于其中的许多问题，需要一种新的方法。"灵敏度分析对于封装侧的热，以及热机械优化是非常可取的，"Fraunhofer IIS的自适应系统工程部门的先进系统集成小组负责人和高效电子学部门负责人Andy Heinig说。"一些热和热机械效应在本质上是非线性的。这意味着检测关键部分是非常重要的。灵敏度分析可以成为进入这个方向的一步，但标准的灵敏度方法是不够的，它们必须与更先进的人工智能(AI)方法相结合，因为问题的根源随着不同的软件包而变化。"

混合新旧技术可能是一个解决方案。"用机器学习技术武装起来，我们可以在几分钟内，在一台执行主机上完成以前可能需要几天的统计敏感性分析，而且精度相同。"Deokar说。"机器学习加上蒙特卡洛模拟--由于其重复性的特点，蒙特卡洛模拟是机器预测的绝佳应用，可以加快100倍到10000倍的速度--可以实现以前从未可行的全芯片SoC或高芯片分析。我们可以通过机器学习技术克服以往的周转时间挑战，在几分钟内实现对任何规模的每一个设计的分析和优化，HSPICE的精度，而不是完全统计模拟所需的几天或几周。这有助于设计人员提供抗变化和灵敏度漏洞的硅设计，并且速度更快、功耗更低、更稳健、更具成本效益。"

类似的技术可以帮助功能验证。"在典型的ML应用中，首先你有训练过程，在这个过程中，你基本上会教ML找到合适的算法，"Vtool的Tomusilovic说。"根据输入和输出，你找到合适的算法。你通常在多个循环中运行测试案例。这些循环中的每个循环都有一个结果，比方说，要么通过，要么失败。我们试图实现的是找到所有存在通过情况的案例的共同点，然后使用ML帮助我们找到干扰，以了解什么是独特的，什么是所有失败情况下的特殊情况。"

但这似乎并不是在所有地方都有效。"不断增长的复杂性推动了对系统级设计空间探索的自动化需求，"Kogel说。"经典的方法是使用进化算法，以及最近基于AI的方法，如强化学习。虽然这对新的支持AI的后端实现工具很有效，但在系统级架构优化的背景下，我们还没有看到突破性的成功。"

将AI应用于正确的问题很重要。"人类智能仍然是强制性的，"Tomusilovic说。"它无法被取代。必须有人提供适当的数据，必须向机器工具提出有意义的问题。你不能简单地要求它提供问题的解决方案。你必须非常具体，知道你想要什么样的解决方案，这意味着你必须了解你所遇到的问题。"