當涉及到涉及覆蓋組和屬性的項目以及利用隨機化的測試時，確保實現所需的覆蓋目標可能具有挑戰性。

覆蓋范圍合并涉及合并從多個模擬運行生成的覆蓋范圍數據，以創建全面的覆蓋范圍報告。實現覆蓋收斂可能非常耗時，并且需要仔細管理仿真環境。此外，確定哪些覆蓋目標未達到并優化測試平臺以實現收斂是一個復雜的過程。

Xcelium機器學習（ML）應用程序通過自動化模擬過程和控制測試的隨機化來應對這些挑戰。它使用機器學習算法從以前的回歸會話中學習，并自動優化每次模擬運行的隨機化。這減少了實現覆蓋閉合所需的模擬運行次數，減少了模擬過程所需的時間和資源。

Xcelium ML的獨特功能之一是它能夠預測在未來的模擬中最有可能實現哪些覆蓋目標，從而幫助用戶優化回歸環境并更有效地實現覆蓋閉合。它還允許用戶生成全面的覆蓋報告，其中包括每次模擬運行中實現的所有覆蓋目標，從而簡化了覆蓋合并的過程。

如果您有一個包含覆蓋組和屬性的項目，并且您多次運行回歸以合并它們以獲得所需的覆蓋范圍，Xcelium ML 可以幫助您簡化流程，這通常是應用程序效果最好的地方。在這種情況下，你要做的是在回歸的一個或兩個會話中訓練Xcelium ML。然后運行Xcelium ML“N”次以使覆蓋范圍飽和。

您通常應該期望 Xcelium ML 收斂速度比完全回歸快 2-3 倍。我們的建議是在覆蓋曲線的拐點處訓練 ML 回歸。所以，如果這種情況發生在一個回歸中，這就是你要訓練的，如果需要五個會話才能到達那里，那么這就是你會使用的。

總之，Xcelium ML是一個強大的工具，用于自動化模擬和控制覆蓋組和屬性項目的隨機化。

審核編輯：郭婷