Avec la croissance de la taille et de l'évolution des conceptions de semi-conducteurs, le processus de débogage (Debugging) devient un obstacle croissant à la vitesse de l'innovation. Les estimations techniques indiquent que le processus de débogage consomme environ 44 % de l'effort total de vérification (Verification), et alors que les conceptions modernes atteignent des millions de portes logiques, les méthodes traditionnelles ne sont plus capables de suivre cette complexité.
Défis du débogage : l'axe de la difficulté et l'axe de la quantité
La difficulté du processus de débogage s'étend sur deux axes principaux nécessitant des solutions radicales :
- Difficulté du bug (Bug Difficulty) : Certains bugs nécessitent un suivi approfondi à travers plusieurs niveaux de conception, de longues séquences temporelles et des interactions complexes entre les composants, ce qui rend l'identification de la cause racine un processus laborieux.
- Quantité de bugs (Bug Quantity) : Lors des processus de test complets (Regression), des centaines d'échecs simultanés peuvent apparaître, lesquels peuvent résulter de bugs différents ou tous provenir d'une seule cause racine, ce qui déroute les ingénieurs dans la définition des priorités.
Approche de l'IA pour l'analyse des causes racines (RCA)
Au lieu de traiter le débogage comme un processus de réponse à des questions simples, l'approche "ChipAgents RCA" propose de le traiter comme un "problème de recherche" (Search Problem). Le système explore les chemins les plus probables, teste différentes hypothèses, puis classe les explications et fournit des scores de confiance (Confidence Scores) à l'ingénieur, ce qui aide à réduire le temps de recherche des bugs complexes.
Amélioration de l'efficacité opérationnelle via le tri intelligent
Le problème majeur réside dans le "tri de la régression" (Regression Triage) ; l'exécution de chaque simulation échouée et la génération de données complètes pour celle-ci (Waveforms) sont extrêmement coûteuses en termes de temps et de capacité de calcul. Pour résoudre ce dilemme, la nouvelle approche repose sur deux stratégies :
Premièrement : Le regroupement intelligent (Intelligent Binning) : Dépasser la correspondance traditionnelle de motifs pour regrouper les échecs partageant la même cause racine, même si les journaux d'erreurs (Logs) apparents diffèrent.
Deuxièmement : La sélection de témoins (Witness Selection) : Identifier le nombre minimal de simulations capables d'expliquer l'échec, et ne les réexécuter qu'en activant la fonction de génération de données (Waveform dumping), ce qui réduit considérablement le gaspillage informatique.
Qu'est-ce qui change concrètement pour les ingénieurs ?
L'objectif final est de transformer le rôle de l'ingénieur de "lancer le processus de tri des erreurs" à "réviser les résultats du tri". Au lieu de passer des heures en recherche manuelle, le système exécute un flux de travail automatisé comprenant : Test ← Regroupement intelligent ← Sélection de témoins ← Réexécution de la simulation ← Analyse de la cause racine ← Proposition de correction ← Vérification ← Test final.
Au moment où l'ingénieur revient pour réviser les résultats, le système peut déjà avoir résolu certains bugs ou avoir fourni un rapport précis indiquant ce qui a été corrigé et ce qui nécessite encore une intervention humaine.
Équilibre entre précision et coût économique
Ces systèmes reposent sur des "systèmes multi-agents" (Multi-agent systems) pour renforcer la précision via l'exploration parallèle. Cependant, le défi reste de maintenir l'efficacité des coûts (Token and cost efficiency). Les expériences indiquent qu'il est possible d'atteindre des performances de pointe avec des coûts proches de ceux des systèmes traditionnels à agent unique, ce qui rend l'automatisation un processus commercialement viable dans les environnements de développement de semi-conducteurs à grande échelle.