分享 电子邮件 家 物理 光学与光子学 2024 年 7 月 20 日 编者注 人工智能光学检
过去 60 年来，半导体行业已发展成为价值 5000 亿美元的全球市场。然而，该行业正面临着双重挑战：新芯片严重短缺，假冒芯片激增，这带来了巨大的故障风险和不必要的监控。尤其是后者无意中催生了价值 750 亿美元的假冒芯片市场，危及依赖半导体技术的多个行业的安全，例如航空、通信、量子、人工智能和个人金融。此前，研究人员已经引入了多种旨在确认半导体真实性的技术来检测假冒芯片，这些技术主要利用嵌入芯片功能或封装中的物理安全标签。这些方法的核心是物理不可克隆函数 (PUF)，这是一种独特的物理系统，由于经济限制或固有的物理特性，很难复制。
PUF 并非基于密码学的难度，而是强调复制给定系统物理特性的经济和技术挑战。光学 PUF 利用随机介质的独特光学响应，前景尤其光明。光学 PUF 易于制造且测量速度快，是概念验证篡改识别实验的理想选择。纳米级金属光学系统尤其受欢迎，因为它们在光波长下具有强大的散射响应，提高了篡改后测量的稳健性。然而，实现可扩展性并保持对抗性篡改和自然降解（例如高温下的物理老化、包装磨损和湿度影响）之间的准确区分，带来了重大挑战。
普渡大学的研究人员从深度学习模型的功能中汲取了灵感。据《先进光子学》报道，他们提出了一种用于半导体设备的光学防伪检测方法，该方法在恶意封装磨损、受损热处理和对抗性撕裂等对抗性篡改特征下具有鲁棒性。他们介绍了一种名为“基于注意力的残差篡改光学响应处理”（RAPTOR）的新型深度学习方法，这是一种通过分析芯片上嵌入的金纳米颗粒图案来识别篡改的鉴别器。
该团队首先通过增强暗视野显微镜的原始图像，构建了一个包含 10,000 张随机分布的金纳米粒子图像的数据集。接下来，将纳米粒子图案像素区域聚类为局部粒子图案，提取它们的质心。最后，通过评估这些纳米粒子图案之间的所有成对距离来生成距离矩阵 PUF。为了测试防伪能力，模拟了纳米粒子 PUF 中的篡改行为，同时考虑了自然变化和恶意对抗篡改。RAPTOR 利用注意力机制，优先考虑篡改前和篡改后样本中的纳米粒子相关性，然后将它们输入基于注意力的残差深度卷积分类器。 RAPTOR 表现出最高的准确率，在最坏的篡改场景下正确检测到 97.6% 的距离矩阵的篡改，比以前的方法（Hausdorff、Procrustes、平均 Hausdorff 距离）分别高出 40.6%、37.3% 和 6.4%。
本研究将注意力机制应用于深度学习辅助 PUF 认证。它在困难的现实世界篡改方案下实现了高验证准确率，为半导体行业采用基于深度学习的防伪方法开辟了巨大的机会。
页:
[1]