本页面使用了机器翻译。
请花 1 分钟时间完成一个翻译质量的调查。
诺基亚创建机器学习系统以优化硬件设计测试
解决方案显著缩短实现覆盖率收敛所需的时间
“MathWorks团队提供的帮助非常有用，因为他们让我能够无缝地从常用的 Python® 工作流程迁移到 Deep Learning Toolbox 和 Statistics and Machine Learning Toolbox 提供的工作流程。”
关键成果
- MATLAB 将覆盖率收敛所需的测试数量减少了一半（43%）
- 通过减少冗余测试用例来提高验证质量
- 累计模拟时间大大减少，从而减少了计算资源的使用
基本的联合仿真环境。
作为领先的电信技术制造商，诺基亚必须不断开发和测试新的硬件设计。测试新设计的传统方法是使用约束随机测试。但随着设计变得越来越复杂，随机测试技术在合理的时间范围内提供功能覆盖率收敛方面变得有限。为了解决这个问题，诺基亚的研究团队使用了 MATLAB® 开发基于神经网络的机器学习算法来支持功能覆盖，从而显著减少实现实际 5G 无线接收器算法覆盖率收敛所需的时间。
该团队使用 Deep Learning Toolbox™ 和 Statistics and Machine Learning Toolbox™ 测试了一系列监督学习算法，包括 SVM、决策树、随机森林和带有 LSTM 层的神经网络。然后，他们将该任务重新表述为无监督异常检测问题，并使用与电路验证流程集成的自动编码器模型。自动编码器模型有助于过滤掉一部分测试，通过针对新的、以前未经检查的功能来提供覆盖率收敛。
诺基亚使用基于 UVM 的测试平台，以 MATLAB编写的 5G 处理模拟器作为参考模型，通过 C/C++ 接口层连接。这个深度学习系统使团队能够快速开发和测试不同的解决方案。结果表明，与传统方法相比，新方法可将覆盖率收敛所需的测试数量减少了一半，同时通过减少冗余测试用例的数量来提高整体验证质量。
