使用Xcelium ML简化您的验证环境

当涉及到涉及覆盖组和属性的项目以及利用随机化的测试时，确保实现所需的覆盖目标可能具有挑战性。

覆盖范围合并涉及合并从多个模拟运行生成的覆盖范围数据，以创建全面的覆盖范围报告。实现覆盖收敛可能非常耗时，并且需要仔细管理仿真环境。此外，确定哪些覆盖目标未达到并优化测试平台以实现收敛是一个复杂的过程。

Xcelium机器学习（ML）应用程序通过自动化模拟过程和控制测试的随机化来应对这些挑战。它使用机器学习算法从以前的回归会话中学习，并自动优化每次模拟运行的随机化。这减少了实现覆盖闭合所需的模拟运行次数，减少了模拟过程所需的时间和资源。

Xcelium ML的独特功能之一是它能够预测在未来的模拟中最有可能实现哪些覆盖目标，从而帮助用户优化回归环境并更有效地实现覆盖闭合。它还允许用户生成全面的覆盖报告，其中包括每次模拟运行中实现的所有覆盖目标，从而简化了覆盖合并的过程。

如果您有一个包含覆盖组和属性的项目，并且您多次运行回归以合并它们以获得所需的覆盖范围，Xcelium ML 可以帮助您简化流程，这通常是应用程序效果最好的地方。在这种情况下，你要做的是在回归的一个或两个会话中训练Xcelium ML。然后运行Xcelium ML“N”次以使覆盖范围饱和。

您通常应该期望 Xcelium ML 收敛速度比完全回归快 2-3 倍。我们的建议是在覆盖曲线的拐点处训练 ML 回归。所以，如果这种情况发生在一个回归中，这就是你要训练的，如果需要五个会话才能到达那里，那么这就是你会使用的。

总之，Xcelium ML是一个强大的工具，用于自动化模拟和控制覆盖组和属性项目的随机化。

审核编辑：郭婷