摘要：研究人员开发了Raptor，这是一种用于半导体设备中使用的芯片的申请专利的光学假冒检测方法。它利用深度学习来识别篡改。它改善了传统方法，这面临可伸缩性的挑战，并区分自然降解和对抗性篡改。...

普渡大学工程学院的研究人员为半导体设备中使用的芯片开发了一种申请专利的光学假冒检测方法。

普渡大学的方法称为猛禽，或篡改光学响应的基于剩余的基于注意力的处理。它利用深度学习来识别篡改。它改善了传统方法，这面临可伸缩性的挑战，并区分自然降解和对抗性篡改。

Elmore电气和计算机工程学院教授Alexander Kildishev领导了一支研究团队，其研究发表在同行评审期刊上高级光子学。

他说：“我们的计划为在半导体行业中采用基于深度学习的反爆炸方法开辟了巨大机会。”

基尔迪舍夫（Kildishev）向普渡大学（Purdue Innovates）技术商业化办公室透露了Raptor，该办公室已申请专利保护知识产权。有兴趣开发或商业化猛禽的行业合作伙伴应与业务开发和许可助理主任Buchanan联系 - 有关轨道代码70652的物理科学。

检测假冒筹码的缺点

基尔迪舍夫（Kildishev）表示，在过去60年中，半导体行业已发展成为5000亿美元的全球市场。但是，它正在努力应对双重挑战：新筹码的短缺和假冒筹码的激增，引入了严重的故障和不必要的监视风险。

他说：“后者无意中产生了一个耗资750亿美元的伪造筹码市场，这危害了依赖于半导体技术的多个部门的安全和保障，例如航空，交流，量子，量子，人工智能和个人理财，”他说。

基尔迪舍夫说，已经创建了几种技术来确认半导体的真实性并检测假冒筹码。

他说：“这些技术在很大程度上利用了在芯片功能或包装中烘烤的物理安全标签。” “这些方法中的许多核心是物理无耻的功能（PUF），它们是独特的物理系统，对于对手而言，由于经济限制或固有的物理特性而难以复制。”

光学PUF利用了随机介质的独特光学响应，这是特别有希望的。

基尔迪舍夫说：“但是，在实现对抗性篡改和自然降解之间的准确歧视方面存在重大挑战，例如在较高温度下的身体衰老，包装磨损和湿度影响。”

创建普渡大学的猛禽

基尔迪舍夫（Kildishev）和他的团队从深度学习模型的能力中汲取了猛禽的灵感。

他说：“猛禽是一种新颖的深度学习方法，它是一种通过分析嵌入芯片上的金纳米颗粒模式来识别篡改的歧视者。” “在对抗性篡改特征（例如恶意包装擦除，损害热处理和对抗性撕裂）之下，它是可靠的。”

基尔迪舍夫（Kildishev）小组的博士生Yuheng Chen说，Raptor使用了金纳米颗粒的距离矩阵验证。

他说：“金纳米颗粒是随机且均匀分布在芯片样品底物上的，但它们的半径是正态分布的。通过暗场显微镜表征创建了一个随机定位的深色场图像的原始数据库。” “金纳米颗粒可以轻松地使用深色场显微镜进行测量。这是一种可用的技术，可以无缝集成到半导体制造管道的任何阶段。”

基尔迪舍夫小组的校友布莱克·威尔逊（Blake Wilson）说：“猛禽使用一种注意机制来优先考虑纳米颗粒的相关性，然后将其转移到基于残留的注意力的深度卷积分类器中。它将纳米粒子以radii的顺序为基础，以构建距离型矩阵和topper the Post-tamper和Tamper the-tamper tamper tamper tamper tamper和Tamper tamper。

验证普渡大学的猛禽

普渡团队通过模拟纳米颗粒系统中的篡改行为来测试猛禽的假冒检测能力。这包括自然变化，恶意对抗性篡改，热波动以及纳米颗粒的随机高斯翻译不同程度。

威尔逊说：“我们已经证明，猛禽的平均精度最高，在最严重的情况下，在97.6％的距离矩阵中正确检测到了篡改。” “这超过了先前方法的性能 - 豪斯多夫，procrustes和平均豪斯多夫距离 - 分别为40.6％，37.3％和6.4％。”

基尔迪舍夫（Kildishev）表示，该团队计划与芯片包装研究人员合作，以进一步创新纳米颗粒嵌入过程并简化身份验证步骤。

他说：“目前，猛禽是一种概念证明，证明了AI在半导体行业中的巨大潜力。” “最终，我们希望将其转换为一个成熟的行业解决方案。”

其他猛禽团队成员包括Alexandra Boltasseva，Ron和Dotty Garvin Tonjes电气和计算机工程的杰出教授；鲍勃和安妮·伯内特电气和计算机工程学的鲍勃和安妮·伯内特杰出教授弗拉基米尔·沙拉耶夫（Vladimir Shalaev）；现任和前学生Daksh Kumar Singh，Rohan Ojha，Jaxon Pottle和Michael Bezick。

该小组已获得美国能源部量子科学中心，国家科学基金会和量子AI十字路口的Elmore ECE新兴边境中心的支持。