人工智能驱动的光学检测技术可阻止假冒芯片

在过去的60年里，半导体行业已经蓬勃发展，成为了一个价值5000亿美元的全球市场。然而，这个行业正面临着两大挑战：新芯片的严重短缺和假冒芯片的激增。这两个问题不仅带来了巨大的故障风险，还导致了不必要的监控负担。特别是假冒芯片的泛滥，无意中催生了一个价值750亿美元的假冒芯片市场，严重威胁到了航空、通信、量子计算、人工智能和个人金融等多个依赖半导体技术的领域的安全和安保。

为了应对这一挑战，研究人员已经推出了几种旨在确认半导体真实性的技术，主要用于检测假冒芯片。这些技术主要利用芯片的功能或封装中的物理安全标签。其中，物理不可克隆功能（PUF）是许多方法的核心。PUF是一种独特的物理系统，由于其经济限制或固有的物理特性而难以复制。

图片:AP_6_5_056002_f001.png

PUF取样过程：使用随机定位的金纳米颗粒的距离矩阵的PUF篡改检测方法的概述。

PUFs的安全性并非基于密码学的硬度，而是强调复制特定系统物理特性所面临的经济和技术挑战。在这一领域，光学PUF因其利用随机介质的独特光学响应而具有广阔的发展前景。光学PUF易于制造和快速测量，是概念验证篡改识别实验的理想选择。特别是纳米级金属光学系统，因其在光波长处的强烈散射响应而备受青睐，这提高了篡改后测量的稳健性。然而，要实现可扩展性并准确区分对抗性篡改和自然降解（如高温下的物理老化、包装磨损和湿度影响）仍然是一项重大挑战。

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，为这一难题提供了新的解决方案。据《先进光子学》（Advanced Photonics）杂志报道，他们提出了一种用于半导体器件的光学防伪检测方法。这种方法对恶意包装磨损、热处理受损和恶意撕裂等对抗性篡改特征具有很强的鲁棒性。他们引入了一种被称为“基于残留注意力的篡改光学响应处理”（RAPTOR）的新型深度学习方法。这种判别器通过分析芯片上嵌入的金纳米粒子图案来识别篡改。

在研究过程中，研究小组首先通过增强暗视野显微镜的原始图像，建立了一个包含10000张随机分布的金纳米粒子图像的数据集。接着，他们将纳米粒子图案像素区域聚类为局部粒子图案，并提取出它们的质量中心。最后，通过评估这些纳米粒子图案之间的所有成对距离，生成了距离矩阵PUF。为了测试这种防伪方法的性能，研究小组模拟了纳米粒子PUF的篡改行为，既考虑了自然变化也考虑了恶意对抗篡改。RAPTOR利用注意力机制优先处理篡改前和篡改后样本中的纳米粒子相关性，然后将其输入基于注意力的残差深度卷积分类器。实验结果显示RAPTOR的准确率非常高，在最坏的篡改情况下97.6%的距离矩阵都能正确检测到篡改这比以前的方法（如Hausdorff、Procrustes、平均Hausdorff距离）分别高出了40.6%、37.3%和6.4%。

这项研究将注意力机制应用于深度学习辅助PUF验证，在困难的真实世界篡改模式下实现了较高的验证精度。这为基于深度学习的防伪方法在半导体行业的应用带来了巨大机遇，有望有效打击假冒芯片问题保障半导体行业的健康发展和各领域的安全与安保。

相关链接：https://doi.org/10.1117/1.AP.6.5.056002