Mit steigender Größe und Komplexität von Chipdesigns wird das Debugging immer schwieriger zu skalieren. Bei heutigen Systemen mit Millionen von Gates reicht ein rein manuelles Vorgehen für Regressionen mit vielen gleichzeitig auftretenden Fehlern nicht mehr aus. Im Zentrum steht deshalb ein Ansatz, der Root-Cause-Analyse und Regression-Triage als durchgängigen, weitgehend autonomen Workflow organisiert.
Die betrachtete Methode trennt das Debugging-Problem in zwei Achsen: die Schwierigkeit eines einzelnen Fehlers und die Anzahl der Fehler in einer Regression. Einige Bugs erfordern lange Abhängigkeitsketten über Hierarchien, Pipelines, große Waveforms und mehrere interagierende Komponenten hinweg. Andere Szenarien betreffen hunderte Simulationen über verschiedene Testfälle und Seeds, bei denen mehrere Ausfälle gleichzeitig auftreten können und nicht jeder Fail einen eigenen Grund haben muss.
Für die eigentliche Ursachenanalyse wird Debugging nicht als reines Frage-Antwort-Problem behandelt, sondern als Suchproblem. Das System untersucht wahrscheinliche Trace-Pfade, verfolgt mehrere Hypothesen, bewertet die gefundenen Erklärungen und gibt Konfidenzwerte aus. Als Beispiel dient ein Fehler in einer bidirektionalen Serialisierungsverbindung, bei dem ein Reset während einer Transaktion ausgelöst wurde, der Sender aber weiter Daten über die Grace-Periode hinaus übertrug. Weil in den übertragenen Daten zufällig der Start-Code des Protokolls vorkam, interpretierte die Gegenseite den Payload als neuen Frame und löste dadurch einen Folgefehler aus.
Der zweite Schwerpunkt ist die Menge der Fehler. Für Regressionen wird deshalb zuerst bestimmt, wie viele unterschiedliche Bugs tatsächlich hinter den Ausfällen stecken. Neben klassischen Binning-Verfahren auf Basis deterministischer Skripte und Pattern Matching kommt eine zusätzliche KIArtificial IntelligenceKI bezeichnet Verfahren, die Aufgaben durch datengetriebene Modelle automatisieren.-gestützte Stufe zum Einsatz, die Failures mit gemeinsamem Root Cause zusammenfasst, auch wenn ihre Log-Signaturen unterschiedlich aussehen. So lässt sich eine große Regression auf eine kleinere Zahl sinnvoller Fehlergruppen reduzieren.
Auch bei der Erzeugung von Waveforms wird selektiv vorgegangen. Statt jede fehlgeschlagene Simulation erneut auszuführen und mit Waveform-Dump zu versehen, wird ein minimales Set an Witness-Simulationen ausgewählt, das die jeweiligen Fehlerklassen erklären kann. Nur diese Läufe werden erneut gestartet und mit zusätzlichem Debug-Material versehen. Ziel ist es, nur so viel Information zu erzeugen, wie für die Analyse wirklich nötig ist.
Auf dieser Basis kann die autonome Root-Cause-Analyse direkt ansetzen. Das System untersucht die Fehlergruppen, schlägt mögliche Fixes vor und überprüft diese. Besteht die Verifikation, liefern Konfidenzscore, Witness-Simulation und Resultat der Prüfung zusammen ein Signal dafür, ob der Fix für einen finalen Regression-Run bereit ist. Der Ablauf reicht damit von der Regression über Binning, Witness-Auswahl, Waveform-ReRun und autonome Analyse bis hin zu Fix und abschließender Verifikation.
Ein wesentlicher Punkt ist dabei die Wirtschaftlichkeit. Multi-Agent-Systeme verbrauchen naturgemäß mehr Ressourcen als ein einzelner Agent, weil der Agenten-Mechanismus mehrfach ausgeführt wird. Der Ansatz zielt deshalb darauf, die Vorteile paralleler Exploration mit Kosten- und Token-Effizienz zu verbinden. In internen Benchmarks wird eine State-of-the-Art-Leistung bei Kosten auf dem Niveau klassischer Single-Agent-Systeme genannt. Damit verschiebt sich der Fokus von der Frage, ob ein Agent eine Aufgabe lösen kann, hin zu der Frage, ob er sie über die gesamte Breite realer Halbleiterentwicklung zuverlässig, effizient und wirtschaftlich bewältigt.