网通社科技快报
AMIQ EDA推出AI仿真根因分析功能 工程师定位故障提速数倍
在芯片设计验证中，仿真失败的根因定位长期依赖工程师人工比对海量波形与日志，耗时从数小时至数天不等。AMIQ EDA近期演示其AI辅助仿真故障根因分析能力：用户以自然语言提问（如“找出导致testbench失败的信号值变更”），系统可在数秒内完成三步操作——识别失败时间戳、回溯相关模块寄存器写入序列、高亮异常信号路径（例如gpo_veneer_gpo寄存器在第31个时钟周期被意外覆写）。该功能基于其既有代码与波形理解引擎，结合轻量级推理模型实现，无需预设断言或遍历数百信号窗口，已在多个客户项目中进入beta测试阶段。
值得注意的是，AMIQ EDA未采用生成式大模型直接生成修复代码，而是坚持“解释性诊断”路径，将AI定位为工程师协作者，强调因果推断能力——即关联信号变更与时序错误，融合UVM结构与寄存器映射等领域知识，避免黑盒误判。技术评论人Tom Anderson评价其为“九年来看到最具实用价值的AI集成案例之一”。
同期，ICLR 2026发表的SLDBench v2研究揭示AI在主动实验决策中仍存瓶颈：8个主流模型在预算约束下选择训练实验时，预测误差扩大1.5–4.7倍；仅Claude Opus 5.5以4%成本超越经典公式。该框架与芯片验证流程高度同构，启发了“AI驱动智能测试用例生成”的探索——某头部企业已试点强化学习智能体动态调整testbench参数，在500万行SoC项目中关键路径覆盖率提升12%、仿真时间减少18%。但验证环境噪声高、容错为零等挑战仍需突破。
可靠性方面，Grafana Labs提出的“错误预算”框架可监控AI助手幻觉率与建议质量，触发人工复核机制。整体看，AI正推动验证从单点提效迈向闭环自治，未来有望成为标准工作流，但核心目标仍是扩展工程师认知边界，而非替代其高阶判断。
值得注意的是，AMIQ EDA未采用生成式大模型直接生成修复代码，而是坚持“解释性诊断”路径，将AI定位为工程师协作者，强调因果推断能力——即关联信号变更与时序错误，融合UVM结构与寄存器映射等领域知识，避免黑盒误判。技术评论人Tom Anderson评价其为“九年来看到最具实用价值的AI集成案例之一”。
同期，ICLR 2026发表的SLDBench v2研究揭示AI在主动实验决策中仍存瓶颈：8个主流模型在预算约束下选择训练实验时，预测误差扩大1.5–4.7倍；仅Claude Opus 5.5以4%成本超越经典公式。该框架与芯片验证流程高度同构，启发了“AI驱动智能测试用例生成”的探索——某头部企业已试点强化学习智能体动态调整testbench参数，在500万行SoC项目中关键路径覆盖率提升12%、仿真时间减少18%。但验证环境噪声高、容错为零等挑战仍需突破。
可靠性方面，Grafana Labs提出的“错误预算”框架可监控AI助手幻觉率与建议质量，触发人工复核机制。整体看，AI正推动验证从单点提效迈向闭环自治，未来有望成为标准工作流，但核心目标仍是扩展工程师认知边界，而非替代其高阶判断。