西门子EDA Veloce CS支撑AI SoC连续硬件验证
多年来,硬件仿真一直只属于最大型半导体公司和最苛刻的SoC项目。这种模式已不再适应先进IC的设计方式。AI加速器、边缘设备、网络芯片和数据中心处理器兼具巨大硬件复杂性和定义大部分产品行为的软件栈。
因此,验证不能只在单个RTL模块功能正确后停止。设计团队需要一个协同环境,在流片前暴露硬件、固件、操作系统软件和工作负载之间的交互。
硬件辅助验证(HAV)已扩展以满足这一需求。现代HAV流程结合仿真、企业级原型验证和FPGA原型验证。每个平台服务于不同阶段和执行速度要求,但更大价值来自将其作为连接的方法使用。工程师可以从深入RTL调试转向早期软件开发,再到系统级验证,而不放弃项目早期建立的设计上下文。
AI产品的压力尤其激烈。新模型和算法快速出现,而底层硬件必须在严格功耗和散热限制内提供最佳吞吐量。对于边缘设备和部署在数据中心核心的加速器,每瓦性能已成为中心设计目标。要实现这一目标,需要让架构选择针对真实软件工作负载进行测试,而不仅是合成测试向量或孤立的模块级测试。
验证必须包含工作负载
传统SoC开发常将硬件和软件视为顺序活动。硬件团队验证RTL,将设计交付下游,软件团队之后才开始认真集成。当软件暴露传统RTL验证期间不可见的瓶颈、内存行为、调度冲突或功耗/热特性时,这种方法会产生风险。在AI SoC上,工作负载可能揭示看似正确的架构,对其必须执行的计算而言效率低下。
更有效的流程允许硬件和软件开发并行推进。项目早期,工程师仍在IP级对SystemVerilog和其他RTL描述进行代码检查和调试。经验证的模块随后组装到逻辑仿真器上,团队可在对内部行为具有高可见性的情况下运行大型设计。这一阶段对于发现跨子系统功能错误,以及在制造承诺使变更极其昂贵之前验证完整SoC按预期运行至关重要。
仿真还支持在引入真实固件、驱动程序和应用工作负载时进行更有意义的验证。工程师可以研究设计在持续流量、由软件控制的边界场景和真实数据移动下的行为,而不仅是询问逻辑是否产生预期值。这些观察为架构师在设计仍可变更时优化加速器模块、互连、存储层次和电源管理逻辑提供证据。
一体化HAV流程连接仿真、企业级原型验证和基于FPGA的软件原型验证。来源:西门子EDA
三个平台,一个开发连续体
仿真为复杂RTL提供容量、确定性执行和快速且细致的调试。FPGA原型验证将重点转向执行速度和软件可用性。硬件团队可将SoC的功能表示映射到基于FPGA的平台,使软件开发者能在芯片回片之前很早开始工作。中间件/固件、AI运行时、算法和应用可以针对实际目标运行,而不是等待物理芯片。
企业级原型验证填补深度仿真调试与单个FPGA原型验证之间的空间。它提供高于仿真的执行速度,同时支持硬件、软件和系统团队之间更大规模的共享使用。企业级原型验证可比仿真快三到五倍。额外性能使更长软件序列和更广泛系统场景变得实际,同时保持与已验证设计更紧密的连接。
三种技术不应被视为相互竞争的选择。仿真适合发现难以发现的硬件缺陷并检查IC设计内部信号。FPGA原型验证为软件工程师提供早期目标的快速访问。企业级原型验证支持以更快速度进行硬件-软件行为协同验证。它们共同创建从RTL启动、工作负载执行到系统认证的更快路径。
统一环境缩短调试循环
早期HAV实现常迫使团队将仿真和原型验证视为孤立孤岛。不同用户界面、编译器和设置流程使设计迁移困难。当转到另一个平台后出现故障时,工程师首先必须确定问题来自设计、映射流程还是验证系统本身。这种不确定性消耗工程时间,通常需要理解每个环境特殊之处的专家。
当前集成平台通过共享核心软件基础设施减少这种摩擦。例如,Veloce CS系列将Veloce Strato CS仿真、Veloce Primo CS企业级原型验证和Veloce proFPGA CS FPGA软件原型验证纳入共同操作环境和统一编译器。一致流程更容易跨平台复现故障,区分设计缺陷和平台问题,并将经过验证的配置从硬件调试带入软件开发。
对设计团队而言,这种连续性的重要程度不亚于原始执行速度。由软件工作负载发现的缺陷可以追溯至仿真,工程师在那里对RTL有更细致的可见性。修正后,更新设计可返回更快速的原型验证平台,进行更广泛的回归测试和应用测试。更短的切换帮助团队在流片前更频繁地重复这一循环。
从芯片验证到系统数字孪生
SoC很少孤立运行。AI处理器安装在板卡、机架、车辆、工业设备、医疗系统和航空航天平台中。电气行为与热条件、机械约束、供电、散热和软件控制交互。在更广泛数字孪生中验证IC,使工程团队能够在所有物理元素可用之前研究这些交互。
仿真的在电路使用可将开发中的SoC及其软件连接到更大系统模型。例如,数据中心团队可以在机架配置中模拟设备承受热应力时检查功耗。
汽车和其他任务关键项目可以使用类似技术,研究电气、热和机械条件下的可靠性和系统响应。目标不仅是证明RTL正确,而是确定完整产品在其预期环境中行为可接受。
这种系统视角也支持功耗-性能优化。当工程师通过数字孪生运行代表性软件时,他们可以识别不良结果最好通过微架构、固件、编译器、运行时还是应用解决。在每瓦性能是主要产品要求时,针对同一场景权衡硬件和软件变更的能力至关重要。
容量与部署必须匹配下一代设计
不断增长的门数历来迫使公司购买高度定制的仿真系统。专用机房、机架、电力安排和运维专业知识增加了成本和部署时间。现代系统通过更大容量和面向传统数据中心基础设施的封装设计解决这些限制。
云接入进一步改变谁可以使用先进HAV。初创公司或较小设计团队可以不购买完整平台,而是在项目需要期间租用仿真或企业级原型验证容量。灵活消费并不能消除围绕安全、数据传输、编译和队列可用性进行仔细规划的需求,但它扩大了对曾经限于最大型半导体公司的验证资源的访问。
最重要的转变是方法论层面。HAV不再只是证明大型RTL设计可运行的后期设备。它是连接架构、功能验证、软件使能、功耗/性能分析和系统验证的工程连续体。当团队尽早规划平台转换、定义每个阶段必须运行哪些工作负载,并保持从应用行为回到RTL的一致调试路径时,团队获得最大收益。
对于设计下一代IC的工程师而言,这种方法提供关于架构是否能够实现真实产品目标的更早证据。逻辑可能功能正确,但无法提供足够吞吐量、能效、软件兼容性或系统压力下的行为。集成仿真和原型验证在工程师仍有选择时暴露这些差距。
随着AI SoC规模和软件依赖不断增长,流片信心将越来越依赖硬件-软件验证质量。互通的HAV环境为团队提供在制造前做出设计决策所需的容量可扩展性、速度、可观测性和系统上下文。结果不仅是更少缺陷,更是交付硬件、软件和运行环境按设计协同工作的IC的更好机会。
来源: 海外媒体