Agenttinen tekoäly siirtää RTL-verifioinnin painopistettä yksittäisten työkalujen automatisoinnista koko työnkulun älykkyyteen. Siemens EDA:n tavoitteena on vähentää koordinointiin kuluvaa aikaa ilman, että suunnitteluinsinöörit menettävät kontrollin prosessista.

Vuosikymmenten ajan elektroniikkasuunnittelun automaation (EDA) kehitys perustui yhä tehokkaampiin työkaluihin ja moottoreihin. Verifiointitiimit nojasivat nopeampiin simulaattoreihin, skaalautuviin formaalin verifioinnin työkaluihin ja suuremman kapasiteetin ratkaisumoottoreihin (solvers) pysyäkseen mukana suunnittelujen kasvaessa.

Tämä lähestymistapa on kuitenkin saavuttamassa rajansa.

Nykyaikaisessa SoC-järjestelmäpiirien kehityksessä suurin pullonkaula ei enää ole työkalujen suorituskyky. Ongelmaksi on noussut koordinointi. Verifioinnista on tullut jatkuva ja mukautuva prosessi, jossa insinöörien on tulkittava tuloksia, tarkennettava tavoitteita ja muutettava strategioita useiden työkalujen ja iterointikierrosten välillä. Tuottavuutta rajoittaa yhä useammin työnkulun monimutkaisuus, ei laskentateho.

Automatisoinnista työnkulun älykkyyteen

Perinteinen automaatio perustuu oletukseen vakaista lähtötiedoista ja ennustettavista prosesseista. RTL-verifioinnissa näin ei kuitenkaan ole. Suunnittelut muuttuvat, määrittelyt tarkentuvat ja välitulokset paljastavat usein uusia riskejä.

Juuri tässä agenttinen tekoäly on noussut kiinnostavaksi vaihtoehdoksi.

Sen sijaan että yksittäisiä työvaiheita optimoitaisiin erillisinä saarekkeina, agenttipohjaiset järjestelmät toimivat koko työnkulun tasolla. Agentit seuraavat verifioinnin tilaa, suunnittelevat rajattuja toimenpiteitä, suorittavat tehtäviä ja kokoavat tuloksista yhteenvedon.

Integraatio on ratkaisevan tärkeää. Jos tekoäly toimii työkaluketjun ulkopuolella esimerkiksi lokitiedostoja analysoiden tai skriptejä generoiden, seurauksena voi olla enemmän tarkastustyötä ja heikompi luottamus tuloksiin.

Tiukasti työkaluketjuun integroiduissa ratkaisuissa tekoälyn tuottamat toimenpiteet voidaan sen sijaan arvioida samoilla kattavuusmalleilla, semantiikalla ja tarkistuksilla, joita käytetään lopullisessa hyväksynnässä eli ns. sign-off -vaiheessa.

Ihmisen on pysyttävä päätöksentekijänä

Vaikka tekoäly kehittyy nopeasti, täysin autonominen RTL-verifiointi ei ole realistinen tavoite. Eikä se ole edes toivottavaa.

Tarkoituksena ei ole korvata insinöörejä, vaan vähentää manuaalista koordinointia, jotta asiantuntijat voivat keskittyä päätöksentekoon ja riskien hallintaan.

Verifiointipäätökset perustuvat usein puutteellisiin määrittelyihin, lausumattomiin oletuksiin ja kompromisseihin, joiden arviointi vaatii kokemusta. Usein on myös vaikea määrittää yksiselitteisesti, milloin tulos on riittävän hyvä.

Siksi tehokkaat agenttiset järjestelmät suunnitellaan ihmiskeskeisiksi. Agentit ehdottavat toimenpiteitä, suorittavat tehtäviä ja nostavat esiin havaintoja. Vastuu tavoitteista, laajuudesta ja lopullisesta hyväksynnästä säilyy kuitenkin insinöörillä.

Käytännössä tämä tarkoittaa selkeitä hyväksyntäpisteitä työnkulussa. Tekoäly nopeuttaa toteutusta ja analysointia, mutta lopullinen päätösvalta pysyy ihmisellä.

Luottamuksen edellytyksenä oikea arkkitehtuuri

Tämän mallin toteuttaminen vaatii enemmän kuin tekoälyominaisuuksien lisäämistä nykyisiin työkaluihin. Taustalle tarvitaan arkkitehtuuri, joka tarjoaa verifiointimoottoreille strukturoidun ja semanttisesti merkityksellisen rajapinnan.

Moottoritasolle integroidut natiivit rajapinnat mahdollistavat työkalujen kutsumisen, tulosten hakemisen ja järjestelmän tilan seuraamisen suoraan. Rakenteettoman datan sijaan agentit käyttävät hallittuja toimintoja, kuten simulointien käynnistämistä, kattavuustietojen kyselyä ja virheiden analysointia.

Yhtä tärkeää on konteksti. Kun järjestelmä säilyttää yhteydet suunnittelujen, testipenkkien, assertioidenn ja aiempien tulosten välillä, se pystyy hyödyntämään aikaisempia kierroksia myös uusissa päätöksissä. Tällainen jatkuvuus on välttämätöntä monimutkaisissa verifiointiympäristöissä, joissa jokainen vaihe rakentuu aiempien tulosten varaan.

Missä agenttinen tekoäly tuo hyötyä jo nyt?

Ensimmäiset käyttöönotot ovat jo parantaneet tuottavuutta useissa RTL-verifioinnin työnkuluissa.

• RTL-kehityksessä tekoälyavusteinen koodin generointi auttaa sovittamaan suunnittelutarkoituksen verifiointivaatimuksiin ja löytämään ongelmia aiemmassa vaiheessa.
• Lint-tarkastuksissa ja staattisessa analyysissä älykkäämpi konfigurointi sekä kontekstitietoinen suodatus vähentävät hälyä ja auttavat keskittymään todellisiin ongelmiin.
• Kellodomainien välisten siirtymien analysoinnissa iteratiivinen tarkastelu ja jatkuva tarkennus nopeuttavat luotettavien asynkronisten ratkaisujen löytämistä.
• Verifiointisuunnittelussa agentit voivat muuntaa muuttuvat määrittelyt rakenteellisiksi suunnitelmiksi, jotka päivittyvät suunnittelun mukana.
• Vianjäljityksessä aaltomuotojen, assertioiden ja lokien yhdistäminen eri ajokerroilta auttaa löytämään virheiden juurisyyt aiempaa nopeammin.

Näitä käyttökohteita yhdistää sama perusmalli: rajattu automaatio, vahva kontekstitieto ja ihmisen valvonta. Tuloksena saavutetaan mitattavia tuottavuushyötyjä ilman, että verifioinnin tarkkuudesta tingitään.

Riskien hallinta ja luottamuksen säilyttäminen

Kuten kaikki automaatio, myös agenttinen tekoäly tuo mukanaan uusia riskejä. Huonosti rajatut järjestelmät voivat levittää virheitä tai hämärtää suunnittelun alkuperäistä tarkoitusta.

Ratkaisuna ei ole tekoälyn kyvykkyyksien rajoittaminen, vaan rakenteen vahvistaminen.

Rajatut toiminnot määrittelevät, mitä agentit saavat tehdä. Verifiointimoottoreihin perustuva validointi varmistaa, että tulokset täyttävät tuotantokäytön vaatimukset. Strukturoidut rajapinnat vähentävät tulkinnanvaraisuutta ja pakolliset ihmistarkastukset säilyttävät vastuun kriittisissä päätöspisteissä.

Tämä vastaa verifioinnin todellisuutta, jossa lopullinen vastuu kuuluu aina suunnittelutiimille. Tässä mallissa tekoäly täydentää asiantuntijuutta eikä korvaa sitä.

Katse tulevaisuuteen

Agenttinen tekoäly EDA-ympäristöissä on edelleen kehitysvaiheessa, mutta suunta on selvä. Tällä hetkellä painopiste on suunnittelun, toteutuksen ja analysoinnin kitkan vähentämisessä samalla, kun insinöörit säilyttävät täyden kontrollin prosessiin.

Pidemmällä aikavälillä voidaan nähdä entistä laajempaa työnkulkujen orkestrointia, mutta vain läpinäkyvyyden ja vahvan validoinnin ehdoilla.

Suunnittelujen monimutkaistuessa suurimmat tuottavuushyödyt eivät enää synny siitä, että työkalut toimivat nopeammin. Ratkaisevaa on se, että työ tehdään älykkäämmin.

Agenttinen tekoäly edustaa siirtymää työnkulun älykkyyteen. Sen tavoitteena on auttaa suunnittelutiimejä etenemään nopeammin ilman, että verifioinnin edellyttämä tarkkuus kärsii.

Verifiointitiimeille, jotka kamppailevat jatkuvasti kasvavan iterointikuorman kanssa, muutos tulee tuskin liian aikaisin.

Lisätietoja agenttisen AI:n käytöstä verifioinnissa löytyy tästä white paperista.

Harry Foster toimii verifioinnin johtavana tutkijana Siemens Digital Industries Softwarella. Hän on myös Verification Academy -yhteisön toinen perustaja ja päätoimittaja. Foster johti vuoden 2021 Design Automation Conference -tapahtumaa konferenssin puheenjohtajana ja toimii nykyisin sen entisenä puheenjohtajana (Past Chair).

Hänellä on useita verifiointiin liittyviä patentteja, ja hän on ollut kirjoittamassa kuutta alan kirjaa. Fosterille on myönnetty Accelleran Technical Excellence Award -palkinto hänen panoksestaan teollisuuden standardien kehittämisessä. Hän loi alun perin myös Accelleran Open Verification Library (OVL) -standardin.

Lisäksi Foster on saanut vuonna 2022 sekä ACM:n Distinguished Service Award -palkinnon että IEEE CEDA:n Outstanding Service Award -palkinnon tunnustuksena merkittävästä palvelustaan alalle.