.
O RAPTOR usa um mecanismo de atenção para priorizar correlações de nanopartículas em amostras pré e pós-adulteração antes de passá-las para um classificador convolucional profundo residual baseado em atenção. a) O RAPTOR pega as 56 nanopartículas superiores em ordem decrescente de raios para construir as matrizes de distância D e D′ e raios ρ e ρ′ das amostras pré e pós-adulteração. b) As matrizes de raios e distância formam as incorporações de consulta e valor de um mecanismo de atenção. O mecanismo de atenção é então usado junto com as matrizes de distância brutas D′ e D, a matriz softweight e a matriz L2 geradas a partir dos vetores de raios para o classificador. c) O classificador usa camadas de ativação e atenção GELU antes de aplicar uma camada kernel e uma camada de pool máximo. Então, a saída é achatada em um perceptron multicamadas para calcular a classificação final. Crédito: Blake et al., doi 10.1117/1.AP.6.5.056002
A indústria de semicondutores cresceu e se tornou um mercado global de US$ 500 bilhões nos últimos 60 anos. No entanto, ela está lidando com desafios duplos: uma profunda escassez de novos chips e uma onda de chips falsificados, introduzindo riscos substanciais de mau funcionamento e vigilância indesejada. Em particular, este último inadvertidamente dá origem a um mercado de chips falsificados de US$ 75 bilhões que coloca em risco a segurança em vários setores dependentes de tecnologias de semicondutores, como aviação, comunicações, quântica, inteligência artificial e finanças pessoais.
Várias técnicas que visam afirmar a autenticidade do semicondutor foram introduzidas por pesquisadores anteriores para detectar chips falsificados, alavancando amplamente as etiquetas de segurança física incorporadas à funcionalidade ou embalagem do chip. No centro de muitos desses métodos estão as funções físicas não clonáveis (PUFs), que são sistemas físicos únicos que são difíceis de replicar devido a restrições econômicas ou propriedades físicas inerentes.
Em vez de serem fundamentados na dureza criptográfica, os PUFs enfatizam os desafios econômicos e tecnológicos de duplicar as características físicas de um determinado sistema. Os PUFs ópticos, que capitalizam as distintas respostas ópticas de mídia aleatória, são especialmente promissores. Os PUFs ópticos são fáceis de fabricar e rápidos de medir, tornando-os ideais para experimentos de identificação de adulteração de prova de conceito. Os sistemas ópticos metálicos em nanoescala têm aumentado em popularidade devido à sua forte resposta de espalhamento em comprimentos de onda ópticos, aumentando a robustez durante as medições pós-adulteração. No entanto, alcançar a escalabilidade e manter a discriminação precisa entre adulteração adversária e degradação natural, como envelhecimento físico em temperaturas mais altas, abrasões de embalagem e impacto de umidade, representam desafios significativos.
Pesquisadores da Universidade Purdue se inspiraram nas capacidades dos modelos de aprendizado profundo. Conforme relatado em Fotônica Avançadaeles propuseram um método de detecção anti-falsificação óptica para dispositivos semicondutores que é robusto sob recursos de adulteração adversarial, como abrasões de pacotes maliciosos, tratamento térmico comprometido e rasgo adversário. Eles introduziram uma nova abordagem de aprendizado profundo denominada “Residual, Attention-based Processing of Tampered Optical Responses” (RAPTOR), um discriminador que identifica adulteração analisando padrões de nanopartículas de ouro incorporados em chips.
A equipe primeiro construiu um conjunto de dados de 10.000 imagens de nanopartículas de ouro distribuídas aleatoriamente, aumentando as imagens originais do microscópio de campo escuro. Em seguida, com regiões de pixels de padrão de nanopartículas agrupadas em padrões de partículas locais, seus centros de massa são extraídos. Finalmente, os PUFs da matriz de distância são gerados avaliando todas as distâncias em pares entre esses padrões de nanopartículas. Para testar as capacidades antifalsificação, o comportamento de adulteração em PUFs de nanopartículas foi simulado, considerando tanto mudanças naturais quanto adulteração adversária maliciosa. O RAPTOR, utilizando um mecanismo de atenção, prioriza as correlações de nanopartículas em amostras pré-adulteração e pós-adulteração antes de alimentá-las em um classificador convolucional profundo residual baseado em atenção. O RAPTOR demonstrou a maior precisão, detectando corretamente a adulteração em 97,6% das matrizes de distância nos piores cenários de adulteração, superando os métodos anteriores (Hausdorff, Procrustes, Distância Média de Hausdorff) em 40,6, 37,3 e 6,4%, respectivamente.
Este trabalho aplicou mecanismos de atenção para autenticação de PUFs assistida por aprendizado profundo. Ele alcançou alta precisão de verificação sob esquema de adulteração difícil do mundo real, o que abre uma grande oportunidade para a adoção de métodos anti-falsificação baseados em aprendizado profundo na indústria de semicondutores.
Mais Informações:
Blake Wilson et al, Autenticação por meio do processamento baseado em atenção residual de respostas ópticas adulteradas, Fotônica Avançada (2024). DOI: 10.1117/1.AP.6.5.056002
Citação: Detecção óptica alimentada por IA para impedir chips falsificados (2024, 20 de julho) recuperado em 20 de julho de 2024 de https://phys.org/news/2024-07-ai-powered-optical-thwart-counterfeit.html
Este documento está sujeito a direitos autorais. Além de qualquer uso justo para fins de estudo ou pesquisa privada, nenhuma parte pode ser reproduzida sem permissão por escrito. O conteúdo é fornecido apenas para fins informativos.
.
