Investigadores de la Facultad de Ingeniería de la Universidad Purdue han desarrollado un método de detección de fraude óptico pendiente de patente para chips utilizados en dispositivos semiconductores.
El método Purdue se llama RAPTOR, o procesamiento de respuestas ópticas templadas basado en la atención residual. Utiliza el aprendizaje profundo para detectar manipulaciones. Mejora los métodos tradicionales, que enfrentan desafíos en cuanto a escalabilidad y discriminación entre degradación natural y manipulación adversa.
Alexander Kildyshev, profesor de la Escuela de Ingeniería Eléctrica e Informática de la Familia Elmore, dirigió un equipo cuya investigación se publicó en la revista revisada por pares. Fotónica avanzada.
“Nuestro plan abre una gran oportunidad para la adopción de métodos antifalsificación basados en el aprendizaje profundo en la industria de los semiconductores”, afirmó.
Kildyshev reveló RAPTOR a la Oficina de Comercialización de Tecnología de Purdue Innovates, que solicitó una patente para proteger la propiedad intelectual. Los socios de la industria interesados en desarrollar o comercializar RAPTOR deben comunicarse con Will Buchanan, subdirector de desarrollo comercial y licencias – Ciencias Físicas, en relación con el código de seguimiento 70652.
Error de detección de chip falso
Kildyshev dijo que la industria de los semiconductores ha crecido hasta convertirse en un mercado global de 500 mil millones de dólares en los últimos 60 años. Sin embargo, se enfrenta a un doble desafío: una profunda escasez de nuevos chips y un aumento de chips falsificados, lo que introduce riesgos sustanciales de errores y vigilancia no deseada.
“Esto último generó inadvertidamente un mercado de chips falsificados de 75 mil millones de dólares que amenaza la seguridad en múltiples sectores dependientes de la tecnología de semiconductores, como la aviación, las comunicaciones, la inteligencia cuántica, la inteligencia artificial y las finanzas personales”.
Se han desarrollado varias técnicas para verificar la autenticidad de los semiconductores y detectar chips falsificados, afirmó Kildyshev.
“Estas técnicas esencialmente explotan la funcionalidad del chip o etiquetas de seguridad físicas incorporadas en el paquete”, dijo. “El elemento central de muchos de estos métodos son las funciones físicas no clonables (PUF), que son sistemas físicos únicos que son difíciles de replicar para un adversario debido a limitaciones económicas o características físicas inherentes”.
Las PUF ópticas, que aprovechan la respuesta óptica única de los medios aleatorios, son particularmente prometedoras.
“Sin embargo, existen desafíos importantes para lograr la escalabilidad y mantener una discriminación precisa entre la degradación adversa y la degradación natural, como el envejecimiento físico a altas temperaturas, la fricción del empaque y los efectos de la humedad”, dijo Kildyshev.
El RAPTOR de Purdue está en construcción
Kildyshev y su equipo se inspiraron para RAPTOR en el poder de los modelos de aprendizaje profundo.
“RAPTOR es un novedoso enfoque de aprendizaje profundo, un discriminador que detecta manipulaciones mediante el análisis de patrones de nanopartículas de oro incrustadas en chips”, dijo. “Es robusto ante características adversas de manipulación, como fricción hostil del paquete, tratamiento térmico comprometido y desgarro adversario”.
Yuheng Chen, estudiante de doctorado del grupo de Kildyshev, dijo que RAPTOR utiliza validación matricial de distancia de nanopartículas de oro.
“Las nanopartículas de oro están distribuidas aleatoria y uniformemente en la capa de muestra del chip, pero sus radios están distribuidos normalmente. Mediante la caracterización por microscopía de campo oscuro se crea una base de datos real de imágenes de campo oscuro colocadas aleatoriamente”, dijo. “Las nanopartículas de oro se pueden medir fácilmente mediante microscopía de campo oscuro. Se trata de una técnica fácilmente disponible que se puede integrar perfectamente en cualquier etapa del proceso de fabricación de semiconductores”.
“Raptor utiliza un proceso de atención para priorizar las correlaciones de nanopartículas entre muestras previas y posteriores a la manipulación antes de pasarlas a un clasificador convolucional profundo basado en la atención implícita”, dice Blake Wilson, ex alumno del grupo de Kildyshev, y para generar matrices de distancia y. radios de muestras posteriores a la manipulación”.
Validando el RAPTOR de Purdue
El equipo de Purdue probó las capacidades de detección de falsificaciones de RAPTOR simulando el comportamiento de manipulación en sistemas de nanopartículas. Estos incluyen variaciones naturales, manipulación de homólogos contaminantes, fluctuaciones térmicas y distintos grados de traducción gaussiana aleatoria de nanopartículas.
“Demostramos que RAPTOR tiene la precisión promedio más alta, detectando correctamente la manipulación en el 97,6% de las matrices de distancia bajo el supuesto de manipulación en el peor de los casos”, dijo Wilson. “Supera a los métodos anteriores (Hausdorff, Procrustes y distancia promedio de Hausdorff) en un 40,6%, 37,3% y 6,4%, respectivamente”.
Kildyshev dijo que el equipo planea colaborar con investigadores de empaquetado de chips para innovar aún más el proceso de incorporación de nanopartículas y agilizar los pasos de autenticación.
“En este punto, RAPTOR es una prueba de concepto que demuestra el gran potencial de la IA en la industria de los semiconductores”, afirmó. “En última instancia, queremos transformar esto en una solución industrial madura”.
Otros miembros del equipo RAPTOR incluyen a Alexandra Boltaseva, profesora distinguida de ingeniería eléctrica e informática Ron y Dottie Garvin Tonges; Vladimir Shalaev, profesor distinguido Bob y Ann Barnett de ingeniería eléctrica e informática; y los estudiantes actuales y anteriores Dakshin Kumar Singh, Rohan Ojha, Jackson Patel y Michael Bezik.
El equipo recibió el apoyo del Centro de Ciencias Cuánticas del Departamento de Energía de EE. UU., la Fundación Nacional de Ciencias y el Centro de Fronteras Emergentes de Elmore ECE en la encrucijada de la cuántica y la IA.