Nokia、ハードウェア設計テストを最適化する機械学習システムを開発

通信技術の大手メーカーとして、Nokia は新しいハードウェア設計を継続的に開発し、テストする必要があります。新しい設計をテストする従来の方法は、制約付きランダム テストを使用することです。しかし、設計が複雑になるにつれて、ランダム テスト手法では、妥当な時間枠内で機能カバレッジの達成の実現が制限されるようになります。この問題を解決するために、Nokia の研究チームは MATLAB^® を使用して、ニューラル ネットワーク ベースの機械学習アルゴリズムを開発しました。これは実際の 5G 無線受信機アルゴリズムのカバレッジ達成の実現に必要な時間を大幅に短縮する機能カバレッジをサポートします。 

チームは、Deep Learning Toolbox™ と Statistics and Machine Learning Toolbox™ を使用して、SVM、決定木、ランダム フォレスト、LSTM レイヤーを備えたニューラル ネットワークなどの一連の教師あり学習アルゴリズムをテストしました。次に、このタスクを教師なし異常検出問題として再定式化し、回路検証フローに統合されたオートエンコーダ モデルを使用しました。オートエンコーダ モデルは、これまでチェックされていなかった新しい機能を対象にすることで、カバレッジの達成を実現できるテストのサブセットをフィルター処理するのに役立ちます。

Nokia は、MATLAB で記述された 5G 処理シミュレーターを参照モデルとして、C/C++ インターフェイス レイヤーを介して接続された UVM ベースのテストベンチを使用しました。このディープラーニング システムにより、チームはさまざまなソリューションを迅速に開発してテストできるようになりました。結果によると、この新しいアプローチでは、従来のアプローチと比較して、カバレッジの達成に必要なテストの数を最大 1/2 まで削減できると同時に、冗長なテスト ケースの数を減らすことで全体的な検証品質も向上します。