Investigadores de la Facultad de Ingeniería de la Universidad Purdue han desarrollado un método óptico de detección de falsificaciones, pendiente de patente, para chips utilizados en dispositivos semiconductores.
El método Purdue se llama RAPTOR, o procesamiento de respuestas ópticas manipuladas basado en la atención residual. Aprovecha el aprendizaje profundo para detectar manipulaciones. Esto mejora los métodos tradicionales, que enfrentan desafíos en cuanto a escalabilidad y discriminación entre degradación natural y manipulación adversa.
El profesor Alexander Kildyshev de la Escuela de Ingeniería Eléctrica e Informática de la Familia Elmore dirigió un equipo cuya investigación se publicó en una revista revisada por pares. Fotónica avanzada.
“Nuestro plan ofrece una gran oportunidad para adoptar métodos antifalsificación basados en el aprendizaje profundo en la industria de los semiconductores”, afirmó.
Kildysheff reveló RAPTOR a la Oficina de Comercialización de Tecnología de Purdue Innovate, que solicitó una patente para la protección de 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.
Errores al detectar chips falsificados
La industria de los semiconductores ha crecido hasta convertirse en un mercado global de 500.000 millones de dólares en los últimos 60 años, afirmó Kildysheff. Sin embargo, enfrenta dos desafíos: una grave escasez de nuevos chips y el aumento de chips falsificados, lo que introduce riesgos considerables de mal funcionamiento y vigilancia no deseada.
“Esto último, sin darse cuenta, da lugar a un mercado de chips falsificados de 75 mil millones de dólares que amenaza la seguridad en múltiples sectores dependientes de tecnologías de semiconductores, como el aeroespacial, las comunicaciones, la inteligencia cuántica, la inteligencia artificial y las finanzas personales”. Dijo.
Se han desarrollado varias técnicas para verificar la autenticidad de los semiconductores y detectar chips falsificados, dijo Kildysheff.
“Estas técnicas aprovechan en gran medida la funcionalidad del chip o las etiquetas de seguridad físicas incorporadas en el paquete”, dijo. “En el centro de muchos de estos enfoques se encuentran las funciones físicas no clonables (PUF), que son sistemas físicos únicos que son difíciles de replicar para los adversarios debido a limitaciones económicas o características físicas inherentes”.
Los PUF ópticos, que aprovechan la respuesta óptica distintiva de los medios desordenados, son particularmente prometedores.
“Sin embargo, existen desafíos importantes para lograr la escalabilidad y mantener una distinción precisa entre la manipulación adversa y la degradación natural, como el envejecimiento físico a altas temperaturas, la aspereza del embalaje y los efectos de la humedad”, dijo Kildysheff.
Construyendo el Raptor de Purdue
Kildysheff y su equipo se inspiraron para RAPTOR en las capacidades de los modelos de aprendizaje profundo.
“Raptor es un método novedoso de aprendizaje profundo, un discriminador que detecta manipulaciones analizando patrones de nanopartículas de oro en chips”, dijo. “Es resistente a características de manipulación hostil, como roce malicioso de paquetes, tratamiento térmico comprometido y desgarro hostil”.
Yuheng Chen, estudiante de doctorado del grupo de Kildysheff, dijo que RAPTOR utiliza verificación matricial a distancia de nanopartículas de oro.
“Las nanopartículas de oro se distribuyen aleatoria y uniformemente en el sustrato de muestra del chip, pero sus radios se distribuyen normalmente. Un conjunto de datos original de imágenes de campo oscuro colocadas aleatoriamente. La base se obtiene mediante la caracterización de microscopía de campo oscuro”, dijo. “Las nanopartículas de oro se pueden medir fácilmente mediante microscopía de campo oscuro. Es una técnica fácilmente disponible que se puede integrar perfectamente en cualquier paso del proceso de fabricación de semiconductores”.
“Raptor utiliza un mecanismo de enfoque para priorizar las correlaciones de nanopartículas en muestras antes y después de la manipulación, antes de enviarlas a un radio para generar la matriz de distancia y los radios de las muestras antes y después de la manipulación.
Respaldando al Raptor de Purdue
El equipo de Purdue probó la capacidad de detección de falsificaciones de RAPTOR simulando el comportamiento de manipulación en sistemas de nanopartículas. Estos incluían deformaciones naturales, manipulación maliciosa de adversarios, fluctuaciones térmicas y diversos grados de traducción gaussiana aleatoria de las nanopartículas.
“Demostramos que RAPTOR tiene la precisión promedio más alta, detectando correctamente la manipulación en el 97,6% de las métricas de distancia bajo los peores supuestos de manipulación”, dijo Wilson. “Esto es más alto que el rendimiento de los métodos anteriores (distancia promedio de Hausdorff, Procrustes y Hausdorff) de 40,6%, 37,3% y 6,4%, respectivamente”.
Kildysheff 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 validación.
“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 convertir 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 Tonjes. Vladimir Shalaev, Profesor Distinguido Bob y Ann Burnett de Ingeniería Eléctrica e Informática; y los estudiantes actuales y anteriores Daksh Kumar Singh, Rohan Ojha, Jackson Potel y Michael Bizek.
El equipo cuenta con 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.
