2023 年回顾。验证创新 - Semiwiki

由柏拉图重新发布

关注： 0

像一月份一样，我们首先回顾去年审阅的论文。 Paul Cunningham（Cadence 验证总经理）、Raúl Camposano（Silicon Catalyst、企业家、前 Synopsys 首席技术官、现 Silvaco 首席技术官）和我继续我们的研究想法系列。一如既往，欢迎反馈。我们计划今年开始举办直播系列活动，讨论想法和更广泛的主题并获取您的反馈。详情请关注！

2023年回顾展

2023 年精选

这些是我们全年发布的博客，按受欢迎程度排序。我们每个博客的平均参与度为 12.7 人次，比去年有了显着增长，我们认为这表明您继续喜欢我们对当前验证研究的评论。这位领导者毫不奇怪，将法学硕士应用于自动化代码审查，参与了近 17 次活动。紧随其后的是使用机器学习来开发模型抽象。事实上，4 年排名前 2023 的博客全部都是关于 AI/ML 应用的。 Petri 网今年再次亮相，用于验证快速发展的 DRAM 协议。使用专用硬件进行模拟推测，以及发现异常的方法使列表更加完善。 2022 年的回顾与往常一样顺利，但被全年其他论文的兴趣所掩盖。可以肯定的是，我们将在 2024 年看到更多 AI/ML 应用！

保罗的观点

又一年过去了，自 49 年 2019 月开设博客以来，已有 XNUMX 篇论文被阅读！当时我们认为这将是一个将我们的验证社区聚集在一起并表达我们对世界各地学术机构对验证研究持续投资的赞赏的好方法。

我没有预料到的是，阅读所有这些论文将如何激发 Cadence 的新投资和创新。写这篇博客让我了解到，即使是工程领域的高管，与基层研究保持联系并定期阅读论文也对业务有好处。所以谢谢读者，也谢谢伯纳德！

毫不奇怪，我们去年排名前三的论文都是关于在验证中使用人工智能的论文，其中一篇是关于人工智能自动代码审查的论文（链接），一项关于 AI 的文章，旨在帮助更快地发现混合信号设备高级 SimuLink 模型中的错误（链接），以及使用 AI 自动识别哪一行源代码是测试失败的根本原因（链接）。我们绝对需要继续投资学术界和商业界的研究。不知何故，在接下来的十年里，我们需要将验证效率提高 10 倍，而这很可能来自人工智能。

也就是说，我个人对 2024 年的呼吁与人工智能无关。这是逻辑模拟方面的两篇论文：一篇关于使用事件队列的推测执行进行并行化模拟（链接），另一个是使用巧妙的散列函数提高约束随机测试中随机输入的分布质量（链接）。我将这些称为“引擎级”创新，使 EDA 工具内的构建模块从根本上变得更好。我们还需要在这里继续研究和创新。这两篇论文很有创新性，但与人工智能无关。我们不要忘记继续投资非人工智能相关的创新。

劳尔的观点

在假期期间写这篇回顾不可避免地会与人类的必需品之一（可以提升为一门艺术）发生冲突：饮食。评论餐厅或许与评论论文有足够的共同点，可以证明诸如“★★★ 出色，值得专程一趟”、“★★ 优秀，值得绕道”、“★ 高品质，值得停下来，以及 😋 特别好，价格适中”等评级。保罗已经说过，我们的九月回顾曾经是一个 ”米其林星级话题”。亲爱的读者，我将继续以这种方式，以您的喜好（观看次数）作为衡量标准。

去年的博客主要是关于很酷的算法，而今年的博客是关于 AI / ML 和 软件（软件）。排名前三的★★★论文都是关于使用AI/ML验证SW的。评分最高的博客 (七月）是关于使用生成式人工智能进行代码审查，第二个（十一月）涉及使用替代人工智能模型测试和验证网络物理系统的软件，第三个（XNUMX年XNUMX月XNUMX日）是关于检测和修复 Java 中使用 AI 分类器增强的错误。这三篇论文中有两篇使用 GitHub 上的大型数据集进行训练。此类数据不可公开用于硬件 (HW) 设计；这可以说与软件有足够的不同，至少提出了这些结果是否可以/将会被复制到硬件的问题。尽管如此，看看软件社区在验证方面所做的工作无疑是一个灵感的源泉。

接下来的三篇论文，排名为 ★★，是 AI/ML、一种非常酷的算法和 Petri-Nets 的折衷集合。所有这些都涉及 EDA 中的验证。九月论文是关于使用 LLM (GPT-4) 和模型检查器 (JasperGold) 将英语翻译成系统 Verilog 断言 (SVA) 的预览。下一个（六月）解决了如何对解空间进行采样以进行约束随机验证 统一地 (满足约束条件) – 一个解决难题的很酷的算法，早在 2014 年。该组的最后一个贡献 (四月) 扩展 Petri Nets 用于验证 JEDEC DDR 规范；它对 JEDEC 规范和 Petri Nets 都有教育意义，并发现了一个时序违规问题。

论文7-9，排名为★，涉及模拟设计验证、CPU 验证和并行软件执行。在十月我们审阅了固态电路学会 IEEE 开放期刊上的一篇受邀论文，除了是一篇很好的模拟设计和验证教程外，主要贡献在于用功能模型代替模拟电路模型，将 Spice 仿真速度提高了 4 个数量级。二月份的报纸是关于使用 DNN 来改进 CPU 验证中的随机指令生成器，显示“减少了”模拟次数大约为 2 倍” 在一个简单的示例中（IBM Northstar，5 条指令）。三月为我们带来了硬件加速器的完整设计，以实现 空间定位有序任务 (SLOT) 执行模型 利用并行性和推测，以及在运行时动态生成任务的应用程序。

这给我们留下了两个 😋 接受者。在八月我们回顾了 2013 年的一篇论文，该论文开创了用于硅后缺陷检测的 k 均值聚类 (2013)。并且在十二月我们研究了一个非常重要的主题，即使用 IFT（信息流跟踪）进行安全验证及其从门级到 RTL 的扩展。毫不奇怪，12 月的投稿点击率最低，因为我们的读者可能面临着最初描述的困境。

评级有时可能是任意的，所有这些贡献都是星级的，并且推进了最先进的技术。我们可以感谢学术界和工业界活跃的国际研究团体来解决真正的难题。根据我个人的喜好，你可以猜到......

通过以下方式分享此帖子：