Nokia crea un sistema de Machine Learning para optimizar pruebas de diseño en hardware

Como desarrollador líder de tecnología de telecomunicaciones, Nokia debe desarrollar y probar constantemente nuevos diseños de hardware. La forma tradicional de probar nuevos diseños es utilizar pruebas aleatorias restringidas. Pero a medida que los diseños son más complejos, las técnicas de pruebas aleatorias resultan limitadas para proporcionar cobertura funcional adecuada en un período de tiempo razonable. Para resolver este problema, el equipo de investigación de Nokia utilizó MATLAB^® para desarrollar un algoritmo de Machine Learning basado en redes neuronales para respaldar la cobertura funcional que reduce significativamente el tiempo para obtener cobertura adecuada para un algoritmo de receptor de radio 5G del mundo real.

El equipo utilizó Deep Learning Toolbox™ y Statistics and Machine Learning Toolbox™ para probar una serie de algoritmos de aprendizaje supervisado, SVM, árboles de decisión, bosques aleatorios y redes neuronales con capas LSTM. Luego reformularon la tarea como un problema de detección de anomalías no supervisada y utilizaron un modelo de autocodificador que se integró con el flujo de verificación del circuito. El modelo de autocodificador ayuda a filtrar un subconjunto de pruebas que proporcionan cobertura adecuada o que permite enfocar las pruebas en funcionalidades nuevas que anteriormente no se habían verificado.

Nokia utilizó un banco de pruebas basado en UVM con un simulador de procesamiento 5G creado en MATLAB como modelo de referencia, conectado a través de una capa de interfaz C/C++. Este sistema de Deep Learning permitió desarrollar y probar diferentes soluciones rápidamente. Los resultados muestran que este nuevo enfoque reduce a la mitad la cantidad de pruebas necesarias para una cobertura adecuada, en comparación con el enfoque tradicional, y al mismo tiempo mejora la calidad de la verificación lo que permite reducir la cantidad de pruebas redundantes.