Nokia crea un sistema di Machine Learning per ottimizzare i test di progettazione hardware

Essendo uno dei principali produttori di tecnologie per le telecomunicazioni, Nokia deve costantemente sviluppare e testare nuovi progetti hardware. Il metodo tradizionale per testare nuovi progetti è quello di utilizzare test casuali vincolati. Tuttavia, man mano che i progetti diventano più complessi, le tecniche di test casuali diventano limitate nel garantire la chiusura della copertura funzionale in un lasso di tempo ragionevole. Per risolvere questo problema, il team di ricerca di Nokia ha utilizzato MATLAB^® per sviluppare un algoritmo di Machine Learning basato su reti neurali per supportare la copertura funzionale che riduce significativamente il tempo necessario per ottenere la chiusura della copertura per un algoritmo di ricevitore radio 5G reale. 

Il team ha utilizzato Deep Learning Toolbox™ e Statistics and Machine Learning Toolbox™ per testare una serie di algoritmi di apprendimento supervisionato, tra cui SVM, alberi decisionali, foreste casuali e reti neurali con livelli LSTM. Hanno quindi riformulato il compito come un problema di rilevamento di anomalie non supervisionato e hanno utilizzato un modello di autoencoder integrato con il flusso di verifica del circuito. Il modello autoencoder aiuta a filtrare un sottoinsieme di test che possono garantire la chiusura della copertura prendendo di mira nuove funzionalità precedentemente non verificate.

Nokia ha utilizzato un testbench basato su UVM con un simulatore di elaborazione 5G scritto in MATLAB come modello di riferimento, collegato tramite un livello di interfaccia C/C++. Questo sistema di Deep Learning ha permesso al team di sviluppare e testare rapidamente diverse soluzioni. I risultati dimostrano che questo nuovo approccio consente di ottenere una riduzione fino a 2 volte superiore del numero di test necessari per la chiusura della copertura rispetto all'approccio tradizionale, migliorando al contempo la qualità complessiva della verifica grazie alla riduzione del numero di casi di test ridondanti.