近日,芯华章系统级EDA数字仿真工具GalaxSim获德国莱茵TÜV集团(以下简称“TÜV莱茵”)ISO 26262 TCL3功能安全工具认证,能够支持汽车安全完整性标准最高ASIL D级别的芯片开发验证。
这标志着芯华章相关验证工具能够帮助车规芯片客户在开发中更快达成质量目标,进而在激烈竞争中赢得市场先机。这也是芯华章战略投资海外汽车电子解决方案企业Optima Design Automation后,在车规级验证解决方案能力的持续强化。
TÜV莱茵大中华区工业服务与信息安全总经理赵斌(左)、芯华章首席市场战略官谢仲辉(右)出席颁证仪式
在汽车领域业内,ISO 26262是全球公认的汽车领域电气/电子相关功能安全标准,覆盖车规产品的全生命周期,其流程体系认证和产品认证在汽车行业内认可度极高,已成为车规级芯片供应商进入汽车行业的准入门槛之一。
ASIL(Automotive Safety Integrity Level)是ISO 26262标准中定义的,用于量化汽车系统的安全风险等级。根据潜在的危害严重性、发生概率以及可避免性,将风险分为不同的级别:ASIL A、ASIL B、ASIL C和ASIL D。其中ASIL D代表最高的安全要求。
TCL是ISO 26262标准中用于评估开发工具可信度的等级,考虑了工具的错误可能对最终产品安全性的影响程度,分为TCL1、TCL2和TCL3三个级别,TCL3表示最高的可信度要求。在开发高ASIL等级的汽车系统时,通常需要使用高TCL等级的工具。
芯华章GalaxSim一次性通过了该认证审核中最严苛的TCL3认证,不仅证明公司研发、技术安全保障实力,也标志着自身产品研发与管理体系,能够全面支撑汽车行业各类功能安全产品的开发需求。
为了减少产品的开发时间和成本,降低由于安全问题而导致的维护甚至召回的风险,越来越多的整车厂和供应商开始重视汽车领域的功能安全问题。EDA工具为功能安全提供数据支撑,尤其是ISO 26262认证所需的定量分析——在设计车规芯片时,通过对芯片进行有意的故障注入来评定车规芯片的安全完整性等级,这就需要用到仿真引擎来提高功能仿真验证的效率及覆盖率。
仿真器的性能直接决定了用户在验证上的成本
假如某个优化可以使仿真速度提高2x, 那可以使原本一个月完成的回归测试缩短到二周,从而给客户省掉很大的验证支出,并在市场竞争中赢得宝贵的时间窗口。
GalaxSim已经在多家国内领先的芯片设计、晶圆代工企业的前后端仿真中进入实际项目,应用在从IP模块、子系统验证到后端门仿的多种场景,性能对标国际领先水平,得到客户的认可。
在一家业界头部系统公司的大规模设计应用中,我们以国际前列的第三方工具作为标杆进行对照,在超过2.5万个用例回归测试中,100%完成功能测试通过,并且在与用户大量的应用数据磨合中,持续提升性能表现。
芯华章首席市场战略官谢仲辉表示:
“EDA工具获得TCL3级别的认证,对于汽车芯片的开发者来说,代表着在开发过程中使用的开发工具遵循了最严格的审查,降低了由于工具的缺陷为芯片开发带来的风险,从而来保障汽车功能安全达到最高标准。芯华章GalaxSim可以帮助客户从底层工具开始实现对ASIL D安全级别芯片开发的支持,为客户减少在验证和认证上所需的时间,在加速设计周期的同时,提供满足芯片安全完整性等级的证据。”
TÜV莱茵大中华区工业服务与信息安全总经理赵斌表示:
“我们的功能安全专家对GalaxSim软件工具开发的全生命周期进行了严格审查并对其安全可靠性、准确性进行了详细交叉校验,结果显示GalaxSim逻辑仿真软件达到了功能安全标准ISO 26262 TCL3的要求,支持ASIL D最高芯片安全标准。TÜV莱茵将继续同芯华章保持紧密合作,助力其提升产品可靠性和安全性,增强在功能安全尤其是汽车电子领域的竞争优势。”
好文章,需要你的鼓励
Python通过PEP 810提案正式引入惰性导入功能,允许程序延迟加载导入库直到实际需要时才执行,而非在启动时全部加载。该提案由指导委员会成员Pablo Salgado于10月3日提出并于11月3日获批。新功能采用选择性加入方式,保持向后兼容性的同时解决了社区长期面临的启动时间过长问题,标准化了当前分散的自定义解决方案。
Meta FAIR团队发布的CWM是首个将"世界模型"概念引入代码生成的32亿参数开源模型。与传统只学习静态代码的AI不同,CWM通过学习Python执行轨迹和Docker环境交互,真正理解代码运行过程。在SWE-bench等重要测试中表现卓越,为AI编程助手的发展开辟了新方向。
Valve最新Steam硬件软件调查显示,Linux用户占比达到3.05%,较上月增长0.37个百分点,相比去年同期增长约50%。游戏网站Boiling Steam分析显示,Windows游戏在Linux平台兼容性达历史最高水平,近90%的Windows游戏能在Linux上启动运行,仅约10%游戏无法启动。
卡内基梅隆大学研究团队发现AI训练中的"繁荣-崩溃"现象,揭示陈旧数据蕴含丰富信息但被传统方法错误屏蔽。他们提出M2PO方法,通过改进数据筛选策略,使模型即使用256步前的陈旧数据也能达到最新数据的训练效果,准确率最高提升11.2%,为大规模异步AI训练开辟新途径。