解读

INT8量化是把32-bit浮点权重/激活压缩到8-bit定点，验证目标不是“压缩本身”，而是“压缩后功能等价”。芯片端验证要回答三件事：

1. 算法层：量化公式（scale/zero-point/rounding/clamp）在RTL里是否逐bit复现？
2. 数据路径：INT8 MAC阵列的溢出、饱和、rounding位是否与黄金模型一致？
3. 系统层：经过INT8推理，Top-1/Top-5精度损失是否满足PPA规格（一般≤1%）？

面试场景里，面试官想听的是“你怎么把算法验证拆成可量化的IC验证任务，并用UVM+形式验证+硬件加速把它close”。

知识点

1. 量化参数生成：scale = (r_max-r_min)/(q_max-q_min)，zero-point = round(-r_min/scale)+q_min，RTL必须支持per-tensor/per-channel两种粒度。
2. 四种rounding模式：RTZ、RTE、RTP、RTN；芯片通常选RTE（偶数舍入），需要验证LSB、Guard、Round、Sticky四舍五入位。
3. 溢出与饱和：INT8乘累加最坏位宽39bit（8×8+32bit偏置+2048累加），RTL里要显式截断到INT8，验证点包括symmetric/asymmetric饱和。
4. 黄金模型：PyTorch/TensorFlow量化插件+ONNX Runtime，输出INT8特征图作为UVM参考。
5. UVM验证结构：
   • qvip_tile_in：产生随机浮点激励，支持分布控制（Gaussian、Uniform、Outlier）。
   • qvip_quantizer：C-DPI封装黄金量化算法，实时生成scale/zp/INT8输出。
   • scoreboard：浮点余弦相似度≥0.99，INT8逐像素误差≤1。
6. 形式验证：用Synopsys VC Formal对“rounding+saturation”做等价性检查，穷举2^16组合，证明RTL与C模型无差异。
7. 硬件加速：将INT8推理网表跑在Zynq-U250 FPGA原型，跑ImageNet 50k图，统计精度曲线，与simulation误差<0.05%。
8. Sign-off标准：
   • 功能覆盖率：scale∈[1e-6,1e2]、zp∈[-128,127]、溢出率>30%场景全部命中。
   • 代码覆盖率：branch、expression、toggle 100%。
   • 性能指标：INT8推理延迟≤FP32的1/3，功耗下降≥75%。

答案

我把它拆成四步：建模→随机→形式→系统。
第一步，建模。用PyTorch QAT训练ResNet50，导出onnx，再用ONNX Runtime跑后量化，得到黄金INT8特征图和scale/zp。把量化公式写成C-DPI，嵌入UVM。
第二步，随机。搭UVM Testbench，输入层用qvip_tile_in产生高斯+异常值（±6σ），DUT是INT8 Quantize RTL。Scoreboard里做两级check：
a) 浮点余弦相似度≥0.99；
b) INT8逐像素误差≤1。
用covergroup采样scale、zp、rounding模式、溢出率，确保边界全部命中。
第三步，形式验证。对“乘法+移位+rounding+saturation”子模块写SVA断言，用VC Formal在16h内穷举2^16向量，证明RTL与C-DPI等价，无X-propagation。
第四步，系统级。把INT8网表跑在FPGA原型，ImageNet 50k图Top-1损失0.68%，满足≤1%规格；同时跑1000小时老化，无饱和错误。最终交付vplan、覆盖率报告、形式验证报告、精度曲线，评审一次性通过。

拓展思考

1. 混合精度INT4/INT8：若芯片支持bit-width可配，验证空间指数级增大，可用分层随机+Markov-chain蒙特卡洛采样，把覆盖率收敛时间从4周压到1周。
2. 动态量化：每帧scale/zp在线计算，需要验证SRAM读写一致性，用UVM RAL+自动compare，防止读写冲突导致scale漂移。
3. 安全芯片：量化参数需加密存储，验证时要模拟非法scale（如0、NaN），确保RTL进入safe-state并上报中断，满足国密EAL5+要求。