在過去的60年里，半導體行業(yè)已經(jīng)蓬勃發(fā)展，成為了一個價值5000億美元的全球市場。然而，這個行業(yè)正面臨著兩大挑戰(zhàn)：新芯片的嚴重短缺和假冒芯片的激增。這兩個問題不僅帶來了巨大的故障風險，還導致了不必要的監(jiān)控負擔。特別是假冒芯片的泛濫，無意中催生了一個價值750億美元的假冒芯片市場，嚴重威脅到了航空、通信、量子計算、人工智能和個人金融等多個依賴半導體技術的領域的安全和安保。

為了應對這一挑戰(zhàn)，研究人員已經(jīng)推出了幾種旨在確認半導體真實性的技術，主要用于檢測假冒芯片。這些技術主要利用芯片的功能或封裝中的物理安全標簽。其中，物理不可克隆功能（PUF）是許多方法的核心。PUF是一種獨特的物理系統(tǒng)，由于其經(jīng)濟限制或固有的物理特性而難以復制。

圖片:AP_6_5_056002_f001.png

PUF取樣過程：使用隨機定位的金納米顆粒的距離矩陣的PUF篡改檢測方法的概述。

PUFs的安全性并非基于密碼學的硬度，而是強調復制特定系統(tǒng)物理特性所面臨的經(jīng)濟和技術挑戰(zhàn)。在這一領域，光學PUF因其利用隨機介質的獨特光學響應而具有廣闊的發(fā)展前景。光學PUF易于制造和快速測量，是概念驗證篡改識別實驗的理想選擇。特別是納米級金屬光學系統(tǒng)，因其在光波長處的強烈散射響應而備受青睞，這提高了篡改后測量的穩(wěn)健性。然而，要實現(xiàn)可擴展性并準確區(qū)分對抗性篡改和自然降解（如高溫下的物理老化、包裝磨損和濕度影響）仍然是一項重大挑戰(zhàn)。

普渡大學的研究人員從深度學習模型的功能中汲取了靈感，為這一難題提供了新的解決方案。據(jù)《先進光子學》（Advanced Photonics）雜志報道，他們提出了一種用于半導體器件的光學防偽檢測方法。這種方法對惡意包裝磨損、熱處理受損和惡意撕裂等對抗性篡改特征具有很強的魯棒性。他們引入了一種被稱為“基于殘留注意力的篡改光學響應處理”（RAPTOR）的新型深度學習方法。這種判別器通過分析芯片上嵌入的金納米粒子圖案來識別篡改。

在研究過程中，研究小組首先通過增強暗視野顯微鏡的原始圖像，建立了一個包含10000張隨機分布的金納米粒子圖像的數(shù)據(jù)集。接著，他們將納米粒子圖案像素區(qū)域聚類為局部粒子圖案，并提取出它們的質量中心。最后，通過評估這些納米粒子圖案之間的所有成對距離，生成了距離矩陣PUF。為了測試這種防偽方法的性能，研究小組模擬了納米粒子PUF的篡改行為，既考慮了自然變化也考慮了惡意對抗篡改。RAPTOR利用注意力機制優(yōu)先處理篡改前和篡改后樣本中的納米粒子相關性，然后將其輸入基于注意力的殘差深度卷積分類器。實驗結果顯示RAPTOR的準確率非常高，在最壞的篡改情況下97.6%的距離矩陣都能正確檢測到篡改這比以前的方法（如Hausdorff、Procrustes、平均Hausdorff距離）分別高出了40.6%、37.3%和6.4%。

這項研究將注意力機制應用于深度學習輔助PUF驗證，在困難的真實世界篡改模式下實現(xiàn)了較高的驗證精度。這為基于深度學習的防偽方法在半導體行業(yè)的應用帶來了巨大機遇，有望有效打擊假冒芯片問題保障半導體行業(yè)的健康發(fā)展和各領域的安全與安保。

相關鏈接：https://doi.org/10.1117/1.AP.6.5.056002