Détection optique alimentée par l’IA pour déjouer les contrefaçons de puces

Au cours des 60 dernières années, l’industrie des semi-conducteurs est devenue un marché mondial de 500 milliards de dollars. Cependant, elle est confrontée à un double défi : une grave pénurie de nouvelles puces et une prolifération de puces contrefaites, qui entraînent des risques importants de dysfonctionnement et de surveillance indésirable. En particulier, cette dernière donne naissance par inadvertance à un marché de puces contrefaites de 75 milliards de dollars, qui met en péril la sécurité de nombreux secteurs dépendants des technologies des semi-conducteurs, tels que l’aviation, les communications, le quantique, l’intelligence artificielle et la finance personnelle.

Plusieurs techniques visant à affirmer l’authenticité des semi-conducteurs ont été introduites par des chercheurs antérieurs pour détecter les puces contrefaites, en s’appuyant principalement sur des étiquettes de sécurité physiques intégrées dans la fonctionnalité ou le conditionnement de la puce. Au cœur de bon nombre de ces méthodes se trouvent les fonctions physiques non clonables (PUF), qui sont des systèmes physiques uniques difficiles à reproduire en raison de contraintes économiques ou de propriétés physiques inhérentes.

Plutôt que de se fonder sur la dureté cryptographique, les PUF mettent l’accent sur les défis économiques et technologiques que représente la duplication des caractéristiques physiques d’un système donné. Les PUF optiques, qui capitalisent sur les réponses optiques distinctes des supports aléatoires, sont particulièrement prometteuses. Les PUF optiques sont faciles à fabriquer et rapides à mesurer, ce qui les rend idéales pour les expériences d’identification de falsification de preuve de concept. Les systèmes optiques métalliques à l’échelle nanométrique sont particulièrement populaires en raison de leur forte réponse de diffusion aux longueurs d’onde optiques, augmentant la robustesse lors des mesures après falsification. Cependant, atteindre l’évolutivité et maintenir une discrimination précise entre la falsification adverse et la dégradation naturelle, comme le vieillissement physique à des températures plus élevées, les abrasions de l’emballage et l’impact de l’humidité, posent des défis importants.

Des chercheurs de l’Université Purdue se sont inspirés des capacités des modèles d’apprentissage profond. signalé dans Photonique avancéeIls ont proposé une méthode de détection optique anti-contrefaçon pour les dispositifs semi-conducteurs, qui résiste aux altérations indésirables telles que les abrasions malveillantes des emballages, les traitements thermiques compromis et les déchirures indésirables. Ils ont introduit une nouvelle approche d’apprentissage profond baptisée « Traitement résiduel basé sur l’attention des réponses optiques altérées » (RAPTOR), un discriminateur qui identifie les altérations en analysant les motifs de nanoparticules d’or intégrés aux puces.

L’équipe a d’abord construit un ensemble de données de 10 000 images de nanoparticules d’or distribuées de manière aléatoire en augmentant les images originales du microscope à champ sombre. Ensuite, avec des régions de pixels de motifs de nanoparticules regroupées en motifs de particules locaux, leurs centres de masse sont extraits. Enfin, les PUF de la matrice de distance sont générées en évaluant toutes les distances par paires entre ces motifs de nanoparticules. Pour tester les capacités anti-contrefaçon, le comportement de falsification dans les PUF de nanoparticules a été simulé, en tenant compte à la fois des changements naturels et des falsifications malveillantes adverses. RAPTOR, utilisant un mécanisme d’attention, priorise les corrélations de nanoparticules dans les échantillons avant et après falsification avant de les introduire dans un classificateur convolutionnel profond résiduel basé sur l’attention. RAPTOR a démontré la plus grande précision, détectant correctement les altérations dans 97,6 % des matrices de distance dans les pires scénarios d’altération, surpassant les méthodes précédentes (Hausdorff, Procrustes, distance moyenne de Hausdorff) de 40,6, 37,3 et 6,4 %, respectivement.

Ce travail a appliqué des mécanismes d’attention pour l’authentification des PUF assistée par apprentissage profond. Il a atteint une précision de vérification élevée dans des conditions de falsification difficiles et réelles, ce qui ouvre une grande opportunité pour l’adoption de méthodes anti-contrefaçon basées sur l’apprentissage profond dans l’industrie des semi-conducteurs.