神经网络处理器关键标准与验证芯片的应用方法技术

本发明专利技术提供神经网络处理器关键标准与验证芯片的应用方法，涉及芯片开发技术领域。该方法，包括以下步骤：建立用于模拟验证芯片的芯片功能的参考模型；根据验证芯片的参考模型建立芯片模型；将随机测试用的神经网络模型在参考模型中运行；将芯片的实际运行值从芯片中扫描出来；将从芯片中扫描出来的实际运行值与参考模型的标准参考值进行比较，通过确定参考模型与芯片模型的指令与数据的格式，获得对芯片模型的验证结果。通过获取验证芯片参考模型的神经网络功能的正确性，通过按任务形成对被验证芯片模型的激励数据，获得对芯片模型的验证结果，缩短了验证的开发时间和调试时间，提高验证芯片的测试效果。高验证芯片的测试效果。高验证芯片的测试效果。

【技术实现步骤摘要】
神经网络处理器关键标准与验证芯片的应用方法


[0001]本专利技术涉及芯片开发
，具体为神经网络处理器关键标准与验证芯片的应用方法。

技术介绍

[0002]近年来，随着人工智能领域的兴起，越来越多的AI芯片公司出现在了人们的视野之中，AI芯片被广泛应用于金融、购物、安防、早教以及无人驾驶等领域，在人工智能领域，卷积神经网络尤其在图像处理领域有着非常广泛的应用，其具有训练方法简单、计算结构统一的特点，但是神经网络存储计算量都很大，而模拟验证是对模拟电路、混合信号电路、射频集成电路以及系统芯片功能进行验证的工作流程，人们逐渐意识到模拟验证的重要程度，关于模拟验证的技术讨论于2005年开始，当时，大型混合信号集成电路中的模拟部分变得十分复杂，以至于在模拟部分中尚大量存在功能错误的芯片被设计出来，这些问题都阻碍了集成电路正确工作。
[0003]传统仿真验证将仿真模型集成到环境中，通过编写测试激励对被测设计进行仿真验证，导致缺乏对兼容性的验证，其测试效果不佳。

技术实现思路

[0004](一)解决的技术问题
[0005]针对现有技术的不足，本专利技术提供了神经网络处理器关键标准与验证芯片的应用方法，解决了验证芯片的测试效果不佳的问题。
[0006](二)技术方案
[0007]为实现以上目的，本专利技术通过以下技术方案予以实现：神经网络处理器关键标准与验证芯片的应用方法，包括以下步骤：
[0008]S1：模型建立
[0009]建立用于模拟验证芯片的芯片功能的参考模型；
[0010]根据验证芯片的参考模型建立芯片模型；
[0011]建立神经网络模型与随机检测模型；
[0012]S2：芯片测试
[0013]将随机测试用的神经网络模型在参考模型中运行；
[0014]将芯片的实际运行值从芯片中扫描出来；
[0015]将从芯片中扫描出来的实际运行值与参考模型的标准参考值进行比较，从而获取验证芯片参考模型的神经网络功能的正确性；
[0016]S3：问题检测
[0017]通过确定参考模型与芯片模型的指令与数据的格式，针对指令或数据的格式，进而确定对指令或数据内容的修改方式；
[0018]通过随机检测模型建立检测点，按任务形成对被验证芯片模型的激励数据；
[0019]S4：获取验证结果
[0020]芯片模型根据接收的激励数据与参考模型响应，对S3中建立的检测点进行判读，获得对芯片模型的验证结果。
[0021]优选的，所述实际运行值和标准参考值相同时，则判断芯片功能正确；所述实际运行值和标准参考值不相同时，则判断芯片功能不正确。
[0022]优选的，所述修改方式包括更改、增加或缩短指令或数据格式中字段的内容。
[0023]优选的，所述检测点包括接口协议断言检测点、总线协议断言检测点、DUT功能点断言检测点。
[0024]优选的，所述实际运行值与标准参考值的获取方法包括以下步骤：(1)将神经网络模型的运行轨迹利用MD5算法进行压缩，以便得到一个标准参考值，(2)使芯片模型运行MD5算法程序，从而把随机测试激励的运行轨迹压缩成实际运行值。
[0025]优选的，所述MD5算法包括标准的MD5算法以及精简MD5算法。
[0026]优选的，所述运行轨迹是指激励在芯片或参考模型中运行结束时保存在所有可见寄存器和内置存储器的内容。
[0027]优选的，所述神经网络模型包括功能覆盖率和代码覆盖率。
[0028]优选的，所述指令包括由芯片模型向参考模型发送的命令和由参考模型向芯片模型发送的响应。
[0029]优选的，所述芯片模型为带有时序特性的仿真模型。
[0030](三)有益效果
[0031]本专利技术提供了神经网络处理器关键标准与验证芯片的应用方法。具备以下有益效果：
[0032]本专利技术通过建立用于模拟验证芯片的芯片功能的参考模型，根据验证芯片的参考模型建立芯片模型，建立神经网络模型与随机检测模型，将从芯片中扫描出来的实际运行值与参考模型的标准参考值进行比较，从而获取验证芯片参考模型的神经网络功能的正确性，可以显著提升芯片测试的覆盖率和效率，通过确定参考模型与芯片模型的指令与数据的格式，针对指令或数据的格式修改，通过按任务形成对被验证芯片模型的激励数据，芯片模型根据接收的激励数据与参考模型响应，对检测点进行判读，获得对芯片模型的验证结果，缩短了验证的开发时间和调试时间，提高验证芯片的测试效果，实现支持上述指令集、算法库、标准及开发接口的验证芯片。
附图说明
[0033]图1为本专利技术的方法流程图；
[0034]图2为本专利技术的方法流程简图；
[0035]图3为本专利技术的验证平台结构简图；
[0036]图4为本专利技术的验证平台结构图；
[0037]图5为本专利技术的MD5算法运行流程图；
[0038]图6为本专利技术的MD5算法结构图；
[0039]图7为本专利技术的芯片模型结构图。
具体实施方式
[0040]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0041]实施例：
[0042]如图1
‑
图7所示，本专利技术实施例提供神经网络处理器关键标准与验证芯片的应用方法，包括以下步骤：
[0043]S1：模型建立
[0044]建立用于模拟验证芯片的芯片功能的参考模型；
[0045]根据验证芯片的参考模型建立芯片模型，芯片模型为带有时序特性的仿真模型；
[0046]建立神经网络模型与随机检测模型；
[0047]S2：芯片测试
[0048]将随机测试用的神经网络模型在参考模型中运行；
[0049]将芯片的实际运行值从芯片中扫描出来；
[0050]将从芯片中扫描出来的实际运行值与参考模型的标准参考值进行比较，从而获取验证芯片参考模型的神经网络功能的正确性，可以显著提升芯片测试的覆盖率和效率；
[0051]实际运行值和标准参考值相同时，则判断芯片功能正确；实际运行值和标准参考值不相同时，则判断芯片功能不正确；
[0052]将神经网络模型的运行轨迹利用标准的MD5算法或精简MD5算法进行压缩，以便得到一个数据量较小的标准参考值，使芯片模型运行标准的MD5算法或精简MD5算法程序，从而把随机测试激励的运行轨迹压缩成实际运行值，不用MD5算法进行结果的压缩，这样结果数据量很大，从芯片扫描出来会花很长的时间，测试成本很大，MD5即Message
‑
Digest Algorithm 5(信息
‑
摘要算法5)，用于确保信息传输完整一致，是计算机广泛使用的杂凑算法之一本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.神经网络处理器关键标准与验证芯片的应用方法，其特征在于：包括以下步骤：S1：模型建立建立用于模拟验证芯片的芯片功能的参考模型；根据验证芯片的参考模型建立芯片模型；建立神经网络模型与随机检测模型；S2：芯片测试将随机测试用的神经网络模型在参考模型中运行；将芯片的实际运行值从芯片中扫描出来；将从芯片中扫描出来的实际运行值与参考模型的标准参考值进行比较，从而获取验证芯片参考模型的神经网络功能的正确性；S3：问题检测通过确定参考模型与芯片模型的指令与数据的格式，针对指令或数据的格式，进而确定对指令或数据内容的修改方式；通过随机检测模型建立检测点，按任务形成对被验证芯片模型的激励数据；S4：获取验证结果芯片模型根据接收的激励数据与参考模型响应，对S3中建立的检测点进行判读，获得对芯片模型的验证结果。2.根据权利要求1所述的神经网络处理器关键标准与验证芯片的应用方法，其特征在于：所述实际运行值和标准参考值相同时，则判断芯片功能正确；所述实际运行值和标准参考值不相同时，则判断芯片功能不正确。3.根据权利要求1所述的神经网络处理器关键标准与验证芯片的应用方法，其特征在于：所述修改方式包括更改、增加或缩短指令或数据格式中字段的内容。4.根据权利要求1所述的神经网络处理器关键标准与验证芯片的应用方法，其特...

【专利技术属性】
技术研发人员：曹小伍，曹景溢，雷铭杰，赢义，欧阳思奕，李德胜，
申请(专利权)人：杭州翔毅科技有限公司，
类型：发明
国别省市：