AI輔助驗證的案例
AI驅動的形式化驗證：Formal Advisor實踐教程，助力形式化驗證一步到位【今日14:00直播】
image_process=/format,webp" data-initial-src="https://img.jishulink.com/202603/attachment/6758878541cf4020970bddf79c4350a4.png"></figure>
</figure><p><strong>時間</strong>：<strong>3月27日 周五，14：00-15：00</strong></p><p><strong>內容簡介</strong>：</p><p>Formal Advisor是一款基于Al的形式化驗證輔助工具，集成于新思科技 VC Formal平臺。它通過智能檢索與生成技術，幫助用戶自動生成、優化和管理形式化屬性(如斷言、覆蓋點等)，大幅提升形式化驗證的效率和質量。課程將系統講解Formal Advisor的基本原理、主要功能、典型應用場景及實際操作流程。</p><p>課程還將結合實際案例，演示如何利用Formal Advisor提升屬性生成的準確性和覆蓋率，幫助設計與驗證工程師快速上手并應用于實際項目中。
展開 AI系列芯課程首期重磅！Verdi四大智能體登場，AI徹底解放驗證開發者【3月6日直播】
<p class="ql-align-justify"><strong>3月6日，</strong>新思科技芯課程AI系列之<strong>「Verdi Assistant——新一代Al調試助手，讓調試效率煥然一新」</strong>正式開講！感興趣的下滑預約學習！</p><p><strong>時間</strong>：<strong>3月6日 周五，14：00-15：00</strong></p><p><strong>內容簡介</strong>：</p><p>隨著芯片規模持續擴大，調試已成為影響產品上市周期與研發成本的關鍵環節。AI與大語言模型的引入，為提升調試效率、降低技術門檻帶來了全新可能。Verdi將LLM深度嵌入調試流程，通過智能分析與自然語言交互，為驗證工程師提供更高效、更直觀的調試方式，奠定了新一代智能調試工具鏈的基礎。</p><p>本課程將系統介紹Verdi Assistant 的核心架構，并重點展示當前已支持的四大智能體--Waveform、Design、Assertion、Log，說明它們在真實調試任務中的協同能力。同時，課程也將分享其未來規劃與演進方向，幫助開發者全面理解AI驅動調試的發展趨勢。
展開 AI芯課程 | 探索Code Advisor 如何提升10x設計驗證效率
隨著AI技術的不斷演進，芯片EDA 領域也在加速擁抱 AI 技術，用AI來設計芯片也在逐漸成真。4月3日，新思科技芯課程AI系列主題第五講即將推出：「探索Code Advisor 如何提升10x設計驗證效率」，將為大家介紹新思科技代碼生成工具Code Advisor，該工具基于LLM 模型和agent 模式助力RTL生成到RTL驗證整個流程，提高工程師生產力數十倍！歡迎報名參會，探索Code Advisor 如何助力提升設計驗證效率！
時間：4月 3日（星期五），14:00–15:00
地點：線上直播
講師簡介：
史迎輝 | 新思科技應用工程師
負責數字電路驗證系列產品的支持，在DDR VIP，低功耗動態驗證，生成式AI代碼生成等方向具有豐富經驗。
掃碼立即報名參會?
展開 EDA引入AI輔助芯片設計，對工程師意味著什么？
Ansys已經跟NVIDIA合作發展出一套輔助工具，讓已經完成線路布局的芯片設計，在模擬環境中進行分析，看芯片會不會遇到EM相關問題，以判斷線路布局是否需要修改(圖4) 。
圖4 以機器學習為基礎的EM輔助系統
傳統上，當芯片開發團隊完成線路布局后，是用工程團隊所設定的條件去進行模擬，但因為模擬需要耗費相當長的時間，因此開發團隊設定的模擬情境很難涵蓋周延。但在ML的輔助之下，機器學習可以幫工程師注意到以前沒關注的盲點，從而在芯片還在設計階段就把可能出現的問題排除。
AI不是萬能設計最佳化還得靠人腦
雖然用機器學習或人工智能來設計芯片將是未來趨勢，而且有越來越多芯片設計開發的環節開始使用相關工具，但誠如張嘉鴻所言，機器學習只是眾多工具中的一種，不是所有問題的萬靈丹。因此，人在芯片設計的整個過程中，還是會扮演非常重要的角色，只是專注的工作跟現在不一樣。
明導國際(Mentor Graphic)執行長Walden Rhines(圖5)就表示，人工智能是許多學運算科學的人都研究過的題目，在他還是個年輕工程師的時候，就有參與過類似的開發專案。看到現在人工智能的蓬勃發展，一方面有終于熬到出頭天的感慨，但另一方面還是得指出，神經網路(Neuro Network, NN)、機器學習這些人工智能技術，在應用上還是有其限制，不應該把AI神化。
圖5 明導國際執行長Walden Rhines認為，機器學習在EDA領域的應用還在發展中，而且有些IC設計步驟所遭遇的問題未必適合用機器學習來解決。
以IC設計為例，用機器學習來做芯片繞線布局，其實是非常「粗放」的。雖然用這種方法可以加快芯片設計的速度，但很難做到面積、功耗或性能的最佳化。
展開 
EDA引入AI輔助芯片設計，對工程師意味著什么？
Ansys已經跟NVIDIA合作發展出一套輔助工具，讓已經完成線路布局的芯片設計，在模擬環境中進行分析，看芯片會不會遇到EM相關問題，以判斷線路布局是否需要修改(圖4) 。
圖4 以機器學習為基礎的EM輔助系統
傳統上，當芯片開發團隊完成線路布局后，是用工程團隊所設定的條件去進行模擬，但因為模擬需要耗費相當長的時間，因此開發團隊設定的模擬情境很難涵蓋周延。但在ML的輔助之下，機器學習可以幫工程師注意到以前沒關注的盲點，從而在芯片還在設計階段就把可能出現的問題排除。
AI不是萬能設計最佳化還得靠人腦
雖然用機器學習或人工智能來設計芯片將是未來趨勢，而且有越來越多芯片設計開發的環節開始使用相關工具，但誠如張嘉鴻所言，機器學習只是眾多工具中的一種，不是所有問題的萬靈丹。因此，人在芯片設計的整個過程中，還是會扮演非常重要的角色，只是專注的工作跟現在不一樣。
明導國際(Mentor Graphic)執行長Walden Rhines(圖5)就表示，人工智能是許多學運算科學的人都研究過的題目，在他還是個年輕工程師的時候，就有參與過類似的開發專案。看到現在人工智能的蓬勃發展，一方面有終于熬到出頭天的感慨，但另一方面還是得指出，神經網路(Neuro Network, NN)、機器學習這些人工智能技術，在應用上還是有其限制，不應該把AI神化。
圖5 明導國際執行長Walden Rhines認為，機器學習在EDA領域的應用還在發展中，而且有些IC設計步驟所遭遇的問題未必適合用機器學習來解決。
以IC設計為例，用機器學習來做芯片繞線布局，其實是非常「粗放」的。雖然用這種方法可以加快芯片設計的速度，但很難做到面積、功耗或性能的最佳化。
展開 Moldex3D模流分析之清大以Moldex3D成功驗證真空輔助樹脂轉注制程
實驗方法則為真空輔助樹脂轉注成型(VARTM)(圖二)。
圖一 三明治結構模型：(a)示意圖、(b)對象實體照及(c)仿真中的實體網格。
圖二 本案例之實驗方法
清大團隊使用有限體積法，分別模擬樹脂在PVC芯材中含纖及不含纖(例如刻溝)區域時的流動行為(圖三)。芯材尺寸為480×320×10.2 mm3。芯材中有兩種刻溝，其中長方形的刻溝寬1 mm、深8.2 mm，以縱橫交錯方式排列，兩條最接近的平行刻溝距離約為29 mm；此外有408條垂直圓柱形刻溝， 直徑2 mm、深10.2 mm，平均分配在芯材中。清大團隊以達西定率模擬樹脂流動。在設計完芯材結構之后，藉由達西定律以等效滲透率對通道內部的流動行為進行建模。這樣可以使用相同類型的控制方程式來設計整個模擬，使邊界條件的設置相對容易。
圖三 實體網格及仿真屬性設定
將模擬結果與實驗結果進行比較以說明該模型的可行性，結果顯示，仿真的流動模式成功證明了實際觀察到的流動模式（圖四）。 此外所提出的模擬架構也具備處理多種芯材和纖維組合的彈性，是產業應用中非常需要的功能。
圖四 實驗與模擬結果的流動波前時間比較
結果
本研究中，清大團隊藉Moldex3D RTM模塊獨特的等效滲透率功能，精準的仿真PVC 芯材里刻溝與流道的流動特性，模擬與實驗結果高度相符。由于現場實驗只能將攝影機架設于產品上下，而無法觀察到芯材內部的流動情況；但透過Moldex3D可視化平臺，便可有效解決這項難題。清大團隊期望藉由此模擬技術被廣泛應用于風電和汽車等復合材料產業，有效的協助廠商縮短優化周期。
展開 新思科技發布全新軟件定義硬件輔助驗證解決方案，樹立性能、擴展性和應用新標桿
采用創新的軟件定義方法使 ZeBu Server 5 性能提升 2 倍，借助模塊化硬件輔助驗證（HAV），將最大容量擴展至 2 倍，滿足人工智能時代超大規模設計的需求
面向主流設計推出全新的 HAPS?200 12 FPGA 與 ZeBu?200 12 FPGA 平臺，將硬件仿真與原型驗證容量擴展 2 倍，支持 EP?Ready 雙模應用方式，并為硬件仿真與原型驗證應用場景提供領先性能
全新、業內首創硬件輔助測試自動化能力，支持更快速、更早地發現緩存一致性與子系統級漏洞，以最少的人工投入實現覆蓋率最大化
新思科技（Synopsys, Inc., 納斯達克代碼：SNPS）宣布對其業界領先的硬件輔助驗證（HAV）產品組合進行升級，包括全新硬件平臺和功能，以支持從數據中心到邊緣計算對 AI 芯片驗證日益增長的需求。憑借新思科技 HAV 平臺獨特的軟件定義能力驅動，HAV 平臺在設計復雜度疊加、上市周期日益緊迫的背景下，為驗證全球最復雜的 Multi-Die 與 AI 芯片，在性能、可擴展性和使用場景方面樹立了全新的行業標桿。
隨著大型語言模型大約每四個月規模翻倍，接口數據速率每三年提升 2 倍，AI 芯片的驗證復雜度正在急劇上升。同時，邊緣 AI 架構正在推動著高吞吐量、低時延和高能效的激進目標，進一步增加了設計與驗證的工作負載。為了跟上步伐，行業需要 HAV 解決方案支持更廣泛的應用場景，并運行數千萬億驗證時鐘周期，從而確保一次流片成功并實現異構 AI 系統的無縫集成。
隨著 AI 在幾乎所有行業中日益普及，且產品也正在朝著面向工作負載優化與芯片驅動轉變，盡早確認正在開發的芯片上運行的工作負載符合規格，對建立高度的信心至關重要。
展開 行業分享丨規模化汽配企業如何大幅縮短CAE驗證周期和提升運營效率瓶頸——延鋒國際用AI一舉解決了兩個痛點
然而在實際的產品開發進程中，基本上每款座椅都需要進行CAE模型驗證。</p><p>整個CAE模型驗證流程涉及多個精細環節，從模型搭建、參數設定到模擬計算與結果分析，每一步都需要專業的技術人員投入大量時間和精力。這一過程往往漫長，整個周期可能長達四到五個月之久。重復性的CAE模型驗證工作以及不斷累積的項目任務，使得仿真工程師的工作負荷日益沉重。在經過如此長時間的驗證工作后，最終誕生的新產品，與上一代產品相比，產品的差異度大概只有10%-15%左右。</p><p>事實上，這種工作負荷過重、面臨客戶質疑以及滿足管理層快速穿透需求的困境，并非個別企業的現象，而是整個汽車行業普遍面臨的痛點。在追求產品創新與技術升級的道路上，如何平衡工作效率、結果準確性以及產品推出速度，成為了亟待解決的關鍵問題。</p><p><br></p><p><strong>02、延鋒國際AI應用</strong></p><p>在努力突破行業困境的進程中，延鋒國際選擇了Altair的physicsAI，并選擇了方向盤骨架這一相對標準化、單一化的產品作為AI與CAE融合的切入點。通過20多個歷史項目的實際工程數據，并選取不同OEM普遍要求的關鍵性能指標，為后續的技術驗證與應用探索奠定了堅實的數據基礎。</p><p class="ql-align-center"><img src="https://mmbiz.qpic.cn/mmbiz_png/lR4GOtoy9vKFqCiak3ASWN7yw8BPoE6icBoobmo0Y6UptvxUAB7SAPXiadwDpqGWWfc7XIesMvmrodBCXPUTUmfyA/640?
展開 現代嵌入式軟件單元測試的全面演進與專業工具的核心價值
能力?
測試用例生成
基本支持
無
無
?覆蓋率分析?
高級可視化
基本報告
有限
有限
?安全認證?
ISO 26262等
DO-178C等
無
無
?學習曲線?
適中
較陡
簡單
較復雜
WinAMS的獨特優勢包括：
?集成化測試環境?：在一個平臺完成測試用例編寫、執行和結果分析
?易用性?：圖形化界面使測試創建和執行直觀易懂
?強大報告功能?：生成詳細測試報告，支持多種格式導出
3.3 WinAMS的行業應用案例
?汽車電子領域?：
某日本車企在ADAS控制器開發中，利用WinAMS對CAN通信模塊進行測試
傳統方法需搭建完整的CANoe仿真環境，耗時2周
WinAMS直接基于目標機代碼運行，3天內完成95%覆蓋率測試
成功捕捉DMA控制器競爭條件引發的隱蔽錯誤
?工業控制領域?：
某歐洲Tier 1供應商使用WinAMS測試PLC控制軟件
發現仿真環境下遺漏的硬件相關時序錯誤
避免量產ECU偶發性故障，節省數百萬歐元召回成本
?航空航天領域?：
支持DO-178C/DO-331最新標準
AI輔助驗證飛行控制軟件的正確性
展開 