Nokia - 하드웨어 설계 테스트를 최적화하는 머신러닝 시스템 개발 사례

전기통신 기술의 선도적 제조업체로서, Nokia는 끊임없이 새로운 하드웨어 설계를 개발하고 테스트해야 합니다. 새로운 디자인을 테스트하는 전통적인 방법은 제약된 무작위 테스트를 사용하는 것입니다. 하지만 설계가 더욱 복잡해짐에 따라 무작위 테스트 기술은 합리적인 시간 범위 내에서 기능 커버리지를 제공하는 데 한계가 있습니다. 이 문제를 해결하기 위해 Nokia의 연구팀은 MATLAB^®을 사용해 실제 5G 라디오 수신기 알고리즘에 대한 커버리지 클로저를 달성하는 데 필요한 시간을 크게 줄이는 기능 커버리지를 지원하는 신경망 기반 머신러닝 알고리즘을 개발했습니다. 

이 팀은 Deep Learning Toolbox™ 및 Statistics and Machine Learning Toolbox™를 사용하여 SVM, 결정 트리, 랜덤 포레스트, LSTM 계층이 있는 신경망을 비롯한 일련의 지도 학습 알고리즘을 테스트했습니다. 그런 다음 그들은 해당 작업을 비지도 학습 이상 감지 문제로 재구성하고 회로 검증 흐름과 통합된 오토인코더 모델을 사용했습니다. 오토인코더 모델은 새롭고 이전에 검사하지 않은 기능을 대상으로 하여 커버리지 클로저를 제공할 수 있는 테스트를 필터링하는 데 도움이 됩니다.

Nokia는 MATLAB으로 작성된 5G 처리 시뮬레이터를 참조 모델로 하는 UVM 기반 테스트벤치를 C/C++ 인터페이스 계층을 통해 연결했습니다. 이 딥러닝 시스템을 통해 팀은 다양한 솔루션을 신속하게 개발하고 테스트할 수 있었습니다. 결과에 따르면, 이 새로운 접근 방식은 기존 접근 방식에 비해 커버리지 클로저에 필요한 테스트 수를 최대 2배까지 줄이는 동시에 중복 테스트 케이스 수를 줄여 전반적인 검증 품질도 향상시킵니다.