基于机器学习的功能覆盖点均衡分布算法

摘要

覆盖率是检验芯片验证完备性的重要指标，尤其是功能覆盖率，可衡量设计的功能特性是否被充分验证.目前对于功能覆盖率的收集，通用做法是在覆盖组中设定功能点，将测试场景依据复杂度划分为特定数量的仓，再运行仿真确定各个仓是否被击中.其实现相对简单，但由于各种因素的存在，一个功能点中各个仓的命中情况往往分布极不平衡，导致对一些场景的覆盖不够充分.针对该问题，提出了一种基于机器学习算法实现覆盖率均衡分布的验证方法，通过对神经网络进行训练，可对各种激励向量进行精确预测.该方法针对较小及较大数目覆盖仓，分别设计了反向网络预测及正向网络实时拟合的方法，可方便实现各个仓位的均衡命中.实验结果表明，与随机测试覆盖点命中次数极大值与极小值差异在数个量级的情况相比，小点数仓位可基本实现平均分布，大点数仓位可将极值比缩小在1.5倍以内，从而显著减少部分情况的验证风险.

关键词

功能覆盖率 / 均衡分布 / 神经网络 / 拟合