描述预测性验证指标的方法
解读
面试官问“预测性验证指标”，并不是让你背诵覆盖率公式，而是考察三件事：
- 能否在RTL还没freeze之前，用量化手段告诉项目经理“我们离sign-off还有多远”；
- 能否把“验证质量”翻译成“风险概率”，让决策者提前拍板是否加人、加机时或改架构；
- 是否熟悉国内流片窗口紧张、投片即量产的节奏，指标必须能提前1~2个月预警。
因此，回答要给出“建模→采集→回归→预警”的完整闭环，并说明如何与工艺节点、IP成熟度、封装形式等中国本土要素耦合。
知识点
- 缺陷密度模型（DDP）：每千行RTL在Module-Level/Sub-System-Level/SoT-Level的缺陷期望数，可用Rayleigh或Weibull拟合。
- 贝叶斯覆盖率收敛：用先验（IP历史数据）+似然（本周回归结果）实时更新“达到100%覆盖且0缺陷”的后验概率P(sign-off|data)。
- 突变系数（MC）：连续7次回归中，新发现缺陷数的CV（Coefficient of Variation）>0.4即判定为“收敛震荡”，触发根因复盘。
- 激活-观察延迟（AOD）：从功能点激活到对应covergroup采样通过的周期数，用于预测长序列场景（PCIe LTSSM、DDR training）何时能close。
- 形式验证剩余边界量（FVE）：在等价性检查中，剩余“undetermined”状态占全部输入空间的比例，与仿真覆盖互补。
- 国内Fab窗口因子（FW）：针对28 nm及以下，若FW>0.85（掩膜排期已占85%），则允许提前冻结微码，用FMEA补偿验证缺口。
- 硬件加速回归带宽（HAB）：每24 h在Palladium或Zebu上能跑多少“等效仿真周期”，换算成“距最后一级缺陷暴露所需自然日”。
- 缺陷注入-发现比（FDR）：验证团队主动注入100个缺陷，实际被环境发现的数量，用于校准DDP模型，避免“覆盖率虚高”。
答案
预测性验证指标的核心是“用过去和现在的数据，算未来的风险”。我通常分四步落地：
第一步，建立缺陷密度基线。把公司近五年同工艺节点的项目做聚类，得出Module-Level的DDP0=0.35 defects/KLOC。新项目RTL增量为20 KLOC，则理论缺陷数=7。用Weibull分布给出时间轴：第8周发现60%，第12周发现85%，第16周发现95%。
第二步，跑贝叶斯覆盖率收敛脚本。以DDP0为先验，每周回归后把实际缺陷数、覆盖 hole 数喂给模型，实时更新P(sign-off|data)。当P值连续两周<0.9，立即预警：要么加测试用例，要么降低DDP目标（如砍次要feature）。
第三步，监控突变系数MC。若连续两周MC>0.4，说明缺陷收敛曲线出现“第二峰”，常见根因为RTL局部重构或软件接口变更。此时触发“白盒复查”：让设计同事对改动部分做增量形式验证，把FVE降到<1e-6。
第四步，结合Fab窗口因子FW做反向修正。若FW已0.85，而P(sign-off|data)只有0.8，则启动“风险补偿”：把最高频的20条use-case在FPGA原型上跑24 h，统计AOD是否<10 k cycle；若通过，可提前签核，剩余风险用FMEA文档移交给后端与量产测试。
通过以上方法，我在上一颗16 nm AI加速芯片中，提前6周给出“零缺陷概率96.3%”的量化结论，最终一次流片成功，硅后仅发现1个缺陷，等级为Minor，达到车规AEC-Q100要求。
拓展思考
- 当项目采用Chiplet架构且部分Die来自外部IP，DDP先验如何获取？可要求IP厂提供“缺陷观测报告”（DOR），并用 federated learning方式把多家的DDP融合，避免商业机密泄露。
- 若国内客户要求“流片后30天即发布参考设计”，预测指标需把软件SDK的验证也纳入，定义“跨域联合覆盖率”：同一feature在RTL、固件、驱动三层都打到100%，才算真正close。
- 随着RISC-V开放架构流行，扩展指令验证空间爆炸，传统DDP模型失效。可引入“覆盖率熵”H=-Σpi log pi，当熵降速<5%/周，即认为进入长尾，用形式验证做最后扫荡。