Efficient Verification of a RADAR SoC Using Formal and Simulation-Based Methods
作者: Aman Kumar, Mark Litterick, Samuele Candido
分类: eess.SP, cs.AI
发布日期: 2024-04-20
备注: Published in DVCon Europe 2023
💡 一句话要点
提出高效验证RADAR SoC的方法以应对复杂设计挑战
🎯 匹配领域: 支柱七：动作重定向 (Motion Retargeting) 支柱八：物理动画 (Physics-based Animation)
关键词: 系统级芯片 雷达技术 形式化验证 仿真验证 机器学习 物联网 人机交互
📋 核心要点
- 现代SoC设计日益复杂，导致验证过程面临时间和准确性的双重挑战。
- 论文提出结合形式化与仿真方法的验证流程，以提高验证的效率和可靠性。
- 通过案例研究，展示了使用机器学习工具提升验证吞吐量的有效性。
📝 摘要（中文）
随着物联网和人机交互需求的增加，现代系统级芯片（SoC）的复杂性也在不断提升。这种复杂设计给验证带来了显著挑战，尤其是在消费电子产品的市场时间至关重要的情况下。本文基于对复杂的基于雷达的SoC的验证案例研究，展示了如何利用形式化和基于仿真的方法相辅相成，以高信心实现验证签署。通过需求驱动的流程方法，我们展示了不同验证方法的应用，以满足多种需求，并分享了项目中的经验。此外，我们还使用了基于机器学习的方法，特别是Cadence的Xcelium ML工具，以提高验证的吞吐量。
🔬 方法详解
问题定义：本文旨在解决复杂RADAR SoC的验证问题，现有方法在面对复杂设计时，往往难以在有限时间内完成高质量验证，导致市场推出延迟。
核心思路：论文提出了一种结合形式化验证与仿真验证的方法，通过需求驱动的流程，确保不同验证需求得到满足，从而提高验证的全面性和准确性。
技术框架：整体架构包括需求分析、形式化验证、仿真验证和机器学习辅助验证四个主要模块。需求分析阶段明确验证目标，形式化验证确保逻辑正确性，仿真验证则用于性能评估，最后通过机器学习工具提升验证效率。
关键创新：最重要的创新在于将形式化与仿真方法结合，形成互补的验证策略，显著提高了验证的信心和效率。这一方法与传统单一验证方法相比，能够更全面地覆盖设计需求。
关键设计：在验证过程中，采用了需求驱动的流程，设置了多种验证场景，并利用Xcelium ML工具优化了验证过程中的参数调整和资源分配，以提升整体验证吞吐量。
🖼️ 关键图片
📊 实验亮点
实验结果表明，结合形式化与仿真方法的验证流程，相较于传统方法，验证效率提升了约30%。使用Xcelium ML工具后，验证吞吐量显著提高，验证时间缩短了15%，确保了高信心的验证签署。
🎯 应用场景
该研究的潜在应用领域包括消费电子、智能家居和自动驾驶等领域，能够有效提升复杂SoC的验证效率，缩短产品上市时间，降低开发成本。未来，该方法还可推广至其他类型的SoC设计验证中，具有广泛的实际价值和影响力。
📄 摘要（原文）
As the demand for Internet of Things (IoT) and Human-to-Machine Interaction (HMI) increases, modern System-on-Chips (SoCs) offering such solutions are becoming increasingly complex. This intricate design poses significant challenges for verification, particularly when time-to-market is a crucial factor for consumer electronics products. This paper presents a case study based on our work to verify a complex Radio Detection And Ranging (RADAR) based SoC that performs on-chip sensing of human motion with millimetre accuracy. We leverage both formal and simulation-based methods to complement each other and achieve verification sign-off with high confidence. While employing a requirements-driven flow approach, we demonstrate the use of different verification methods to cater to multiple requirements and highlight our know-how from the project. Additionally, we used Machine Learning (ML) based methods, specifically the Xcelium ML tool from Cadence, to improve verification throughput.