基于机器学习的功能覆盖率预测算法

摘要

芯片规模的扩大及功能的不断加强，使得芯片验证难度呈几何级数递增.对于多组合激励的功能覆盖情况，传统通用做法是依照其不同使用场景，以分片或切片形式进行统计.此类方法操作简单，但难以在随机测试下对各个配置的组合情况进行完整覆盖分析.针对该问题，提出了一种基于机器学习算法进行覆盖率快速收敛且通用性强的验证方法 .该方法将各个配置激励按权重进行分解处理，对功能覆盖中的关键交叉仓进行观测，利用功能点分析不消耗仿真时间的特性，对数据集进行收集并训练，通过实际测试调整，实现了一种改进型的网络结构，可对各种激励组合情况进行覆盖率预测，并可挑选指定覆盖阈值的激励输入.仿真结果表明，与随机情况相比，该方法可显著降低仿真时间，并有效减少仿真资源占用；与其他网络结构相比，该网络收敛更为迅速，并可达到更高的预测精度.

关键词

神经网络 / 功能覆盖率 / 随机测试 / 训练损失