Diese Seite wurde maschinell übersetzt.
Füllen Sie bitte eine 1-Minuten-Befragung zur Qualität dieser Übersetzung aus.
Nokia entwickelt Machine-Learning-System zur Optimierung von Hardware-Designtests
Lösung verkürzt die Zeit bis zur kompletten Testabdeckung erheblich
„Die Unterstützung durch das Team von MathWorks war sehr hilfreich, da sie mir einen nahtlosen Übergang von meinem üblichen Python®-Workflow zu dem von Deep Learning Toolbox und Statistics and Machine Learning Toolbox ermöglichten.“
Wichtigste Ergebnisse
- MATLAB ermöglichte eine bis zu zweifache Reduzierung (43%) der Anzahl der für den Komplettabeckung erforderlichen Tests
- Verifikationsqualität wurde durch Reduzierung redundanter Testfälle verbessert
- Die kumulative Simulationszeit wurde erheblich verkürzt, was zu einer geringeren Nutzung der Rechenressourcen führte
Die grundlegende Co-Simulationsumgebung.
Als führender Hersteller von Telekommunikationstechnologie muss Nokia ständig neue Hardwaredesigns entwickeln und testen. Die traditionelle Methode zum Testen neuer Designs besteht in der Verwendung eingeschränkter Zufallstests. Doch mit zunehmender Komplexität der Designs rücken die Möglichkeiten zufälliger Testverfahren in Bezug auf die Sicherstellung einer funktionalen Abdeckung in einem angemessenen Zeitrahmen immer weiter in den Hintergrund. Um dieses Problem zu lösen, verwendete das Forschungsteam von Nokia MATLAB® zur Entwicklung eines auf neuronalen Netzen basierenden Machine-Learning-Algorithmus. Dessen Aufgabe war die Unterstützung der funktionalen Abdeckung, um die erforderliche Zeit zur Komplettabdeckung eines realen 5G-Funkempfänger-Algorithmus erheblich zu verkürzen.
Das Team verwendete Deep Learning Toolbox™ und Statistics and Machine Learning Toolbox™, um eine Reihe von überwachten Lernalgorithmen zu testen, darunter SVM, Entscheidungsbäume, Random Forests und neuronale Netzwerke mit LSTM-Schichten. Anschließend formulierten sie die Aufgabe als unüberwachtes Anomalieerkennungsproblem neu und verwendeten ein Autoencoder-Modell, das in den Schaltkreisverifizierung-Workflow integriert war. Das Autoencoder-Modell hilft dabei, eine Teilmenge von Tests herauszufiltern, die durch das Anvisieren neuer, bisher nicht geprüfter Funktionen eine Komplettabdeckung ermöglichen können.
Nokia verwendete einen UVM-basierten Testbench mit einem in MATLAB geschriebenen 5G-Verarbeitungssimulator als Referenzmodell, der über eine C/C++ Schnittstellenschicht verbunden war. Dieses Deep-Learning-System ermöglichte es dem Team, schnell verschiedene Lösungen zu entwickeln und zu testen. Die Ergebnisse zeigen, dass mit diesem neuen Ansatz die Anzahl der für die komplette Abdeckung erforderlichen Tests im Vergleich zum herkömmlichen Ansatz um die Hälfte reduziert werden kann. Gleichzeitig verbessert sich durch die geringere Anzahl redundanter Testfälle die Gesamtqualität der Verifikation.
Eingesetzte Produkte
Ressourcen zu
