KI-gestützte optische Erkennung soll gefälschte Chips verhindern

Die Halbleiterindustrie ist in den letzten 60 Jahren zu einem globalen Markt im Wert von 500 Milliarden US-Dollar gewachsen. Allerdings hat sie mit zwei Herausforderungen zu kämpfen: einem gravierenden Mangel an neuen Chips und einer Flut gefälschter Chips, die erhebliche Risiken von Fehlfunktionen und unerwünschter Überwachung mit sich bringen. Insbesondere letzteres führt unbeabsichtigt zu einem 75 Milliarden US-Dollar schweren Markt für gefälschte Chips, der die Sicherheit in zahlreichen Sektoren gefährdet, die von Halbleitertechnologien abhängen, wie etwa Luftfahrt, Kommunikation, Quanten, künstliche Intelligenz und private Finanzen.

Frühere Forscher haben bereits mehrere Techniken zur Bestätigung der Echtheit von Halbleitern eingeführt, um gefälschte Chips zu erkennen. Dabei werden hauptsächlich physische Sicherheitsetiketten verwendet, die in die Chipfunktionalität oder -verpackung eingebrannt sind. Im Mittelpunkt vieler dieser Methoden stehen physikalisch nicht klonbare Funktionen (PUFs), einzigartige physikalische Systeme, die sich entweder aus wirtschaftlichen Gründen oder aufgrund inhärenter physikalischer Eigenschaften nur schwer replizieren lassen.

PUFs basieren nicht auf kryptografischer Härte, sondern betonen die wirtschaftlichen und technologischen Herausforderungen der Duplizierung der physikalischen Eigenschaften eines bestimmten Systems. Optische PUFs, die die unterschiedlichen optischen Reaktionen zufälliger Medien ausnutzen, sind besonders vielversprechend. Optische PUFs sind einfach herzustellen und schnell zu messen, was sie ideal für Proof-of-Concept-Experimente zur Manipulationsidentifizierung macht. Nanoskalige metallische optische Systeme erfreuen sich insbesondere aufgrund ihrer starken Streureaktion bei optischen Wellenlängen zunehmender Beliebtheit, was die Robustheit bei Messungen nach Manipulationen erhöht. Das Erreichen von Skalierbarkeit und die Aufrechterhaltung einer genauen Unterscheidung zwischen feindlicher Manipulation und natürlicher Abnutzung, wie z. B. physikalische Alterung bei höheren Temperaturen, Verpackungsabrieb und Feuchtigkeitseinwirkung, stellen jedoch erhebliche Herausforderungen dar.

Forscher der Purdue University ließen sich von den Fähigkeiten von Deep-Learning-Modellen inspirieren. gemeldet In Fortgeschrittene Photonikschlugen sie eine optische Methode zur Fälschungserkennung für Halbleiterbauelemente vor, die robust gegenüber Manipulationsversuchen wie böswilliger Abnutzung der Verpackung, beeinträchtigter Wärmebehandlung und böswilligem Zerreißen ist. Sie stellten einen neuartigen Deep-Learning-Ansatz mit der Bezeichnung „Residual, Attention-based Processing of Tampered Optical Responses“ (RAPTOR) vor, einen Diskriminator, der Manipulationen durch die Analyse von in Chips eingebetteten Goldnanopartikelmustern erkennt.

Das Team erstellte zunächst einen Datensatz mit 10.000 Bildern zufällig verteilter Goldnanopartikel, indem es Originalbilder aus dem Dunkelfeldmikroskop ergänzte. Anschließend werden die Schwerpunkte der Pixelbereiche der Nanopartikelmuster, die zu lokalen Partikelmustern gruppiert sind, extrahiert. Schließlich werden die Distanzmatrix-PUFs generiert, indem alle paarweisen Abstände zwischen diesen Nanopartikelmustern ausgewertet werden. Um die Fälschungssicherheit zu testen, wurde das Manipulationsverhalten in Nanopartikel-PUFs simuliert, wobei sowohl natürliche Veränderungen als auch böswillige Manipulationen durch Gegner berücksichtigt wurden. RAPTOR verwendet einen Aufmerksamkeitsmechanismus und priorisiert Nanopartikelkorrelationen über Proben vor und nach der Manipulation, bevor sie in einen aufmerksamkeitsbasierten Tiefenfaltungsklassifizierer eingespeist werden. RAPTOR zeigte die höchste Genauigkeit und erkannte Manipulationen in 97,6 Prozent der Distanzmatrizen unter den schlimmsten Manipulationsszenarien korrekt. Damit übertraf es vorherige Methoden (Hausdorff, Procrustes, Durchschnittliche Hausdorff-Distanz) um 40,6, 37,3 bzw. 6,4 Prozent.

In dieser Arbeit wurden Aufmerksamkeitsmechanismen für die Authentifizierung von PUFs mithilfe von Deep Learning angewendet. Dabei wurde eine hohe Verifizierungsgenauigkeit unter schwierigen, realen Manipulationsschemata erreicht, was große Chancen für die Einführung von auf Deep Learning basierenden Methoden zur Fälschungssicherheit in der Halbleiterindustrie eröffnet.