Cadence Perspec驗證在異質多核心行動處理器之應用

11 Apr 2022 • 1 minute read

作者:Vic Chen, Principal Application Engineer, Cadence

可攜式測試與刺激標準(Portable Test and Stimulus Standard, PSS）是現今業界採用於晶片前期功能測試的抽象驗證過程中，同時也能正確地重新定義驗證的一套標準。它可謂是自Verilog和VHDL以來最重要的標準協議了。我們已經習慣一種基於非常不穩定的基礎架構的驗證方法，但此方法較重視刺激而不是檢測，且會基於檢測報告來做為驗證工作的結束，而不是根據驗證意圖做為出發點。

Cadence Perspec System Verifier 系統驗證器則是基於PSS在開發系統上定義了一種驗證意圖的行為模型。以往驗證工程團隊需要根據設計的規格，絞盡腦汁地寫出龐大、複雜且具相依性的刺激，現在一旦這個模型產生後即可以通過針對虛擬原型、模擬 (Simulation) 、硬體驗證 (Emulation) 、FPGA原型，甚至實際晶片來自動生成刺激。它也將模組化和重用性的概念引入驗證領域，使得模型基於沒有修改的情況下，在更大的系統中被開發和重複使用，就像設計模型一樣。

隨着晶片設計複雜性的增加，使用Perspec所產生的行為模型將可大大地提高驗證效率。根據聯發科2016與2017年曾在Cadence 使用者大會上發表兩篇論文(註1)，說明成功使用Perspec生成快取一致性，低功耗管理以及自有設計的行為模型並成功地在模擬和硬體驗證帶來許多助益。在2021年，聯發科再次於Cadence 使用者大會上發表兩篇論文，針對Perspec應用進行分享，以下摘錄說明如下:

運用Perspec發現CPU 子系統驗證中的Corner Cases方法論

有鑑於在實際晶片所發現的corner case（特殊案例）大多數來自於特徵之間的交叉驗證及特定的排列順序，而這種可能性的組合很難用人力去將其全部逐一列舉。

在2021 Cadence使用者大會上由聯發科發表一篇論文「Corner Cases Discovery Methodology on CPU Subsystem Verification by Perspec」，探討運用Perspec 發現CPU 子系統驗證的Corner Cases的方法論。這種方法論是考量不同特徵之間的約束並交叉選取生成所有合法的各種組合，結合在Perspec已經開發好的既有行為模型，同時搭配內建的動態運算，能有效率且系統性地產生各種不同屬性之特徵排列組合，在模擬之前即可統計出來其涵蓋率，進而決定有意義的刺激。

圖１: Corner case大多來自特徵之間的交叉驗證及特定的排列順序，使得人力難以全部逐一列舉

圖２: 此方法論考量不同特徵間的約束，交叉選取生成所有合法的各種組合

圖３：結合Perspec開發的既有行為模型，有效率產生有意義的刺激

將此方法論應用於實際複雜的設計也得到了正面成果。成功案例如下：在使用低功耗與私有設計的ECC 庫，列舉了在license IP 與晶片設計之間的可能組合，進而在License IP、晶片設計與規格規劃錯誤及測試平台之間皆發現了極為罕見的Corner Cases潛在漏洞。

圖４: 該方法論在實際複雜設計取得以上的成果

運用Perspec 自動生成具複雜資訊流與高度相依性的刺激

此外，聯發科也於2021年使用者大會上發表另一篇論文，「Automatically Generating Stimulus with Complex Data Flow and Heavy Dependency by Perspec」( 運用Cadence Perspec 自動生成具複雜資訊流與高度相依性的刺激)。對於Perspec 則有極其特殊的應用在AI處理器，有別於Perspec產生刺激的共通流程 (如圖五灰色區塊所標示)，它們只計算刺激的相依性部分，並將其提取出來再做後處理的轉換(左下角虛線部分)。

圖５: Perspec操作流程

此做法是將硬體的資料路徑用行為模型描繪出來，由於資料間相依性的約束條件非常複雜，同時也需要根據專案的快速進展作相對應的修改，因此一次性的行為模型建立就顯得極為重要。

圖６: 採用Perspec 可隨意組合任何模型的資料流。

根據該論文，從行為模型中將所有的資料在經過相依性約束的大量運算後，將其提取出來並放置自定義的輸出格式，這同樣可以透過test table (csv)進行後端的管理及維護。

圖7: Perspec 自動產生資料流及其對應的配置文字檔

由Perspec所產生的刺激可以跟TensorFlow 模型比對，進而完成資料的自我檢查。

圖8: Perspec 產生的刺激，可跟Tensorflow 模型比對，並完成資料自我檢查。

根據此篇論文的結論，在深度學習的專案應用，行為模型可以在短時間產生8000多筆的合法刺激，這為驗證效率提高了很大的助益，且被提取的抽象層級刺激皆可以輕易地應用在不同的硬體資料流程。

以上更多論文資訊，歡迎參考2021CadenceLive使用者大會精采論文與影片回顧連結:

註1: 聯發科於2016與2017年Cadence使用者大會上發表之論文連結:
Automated Test Generation to Verify CPU Subsystem for System Level Low Power Management by Perspec(2016)、
Enable Complex CPU System’s Coverage Closure by SW-Driven Stimulus with Structural Coverage Beyond Accelerated Emulator(2017)

*提醒: 以上連結需要使用Cadence使用者帳號登入，若您尚未有Cadence.com帳號，歡迎註冊申請：註冊小幫手與立即註冊