Negli ultimi 60 anni, l’industria dei semiconduttori è cresciuta fino a diventare un mercato globale da 500 miliardi di dollari. Tuttavia, è alle prese con una duplice sfida: una profonda carenza di nuovi chip e un’ondata di prodotti contraffatti, che introducono rischi sostanziali di malfunzionamento e sorveglianza indesiderata. In particolare, quest’ultimo fenomeno dà involontariamente origine a un mercato di chip contraffatti da 75 miliardi di dollari che mette a rischio la sicurezza in diversi settori che dipendono dalle tecnologie dei semiconduttori, come l’aviazione, le comunicazioni, la quantistica, l’intelligenza artificiale e la finanza personale.
Sono stati diversi i tentativi di trovare modi sicuri per affermare l’autenticità dei semiconduttori, sfruttando in modo particolare i tag di sicurezza fisica incorporati nella funzionalità o nell’imballaggio del chip. Il fulcro di molti di questi metodi sono le funzioni fisiche non clonabili (PUF), sistemi fisici unici e difficili da replicare a causa di vincoli economici o di proprietà fisiche intrinseche. Sono facili da fabbricare e rapidi da misurare, il che li rende ideali per esperimenti di identificazione di manomissione di tipo proof-of-concept.
Tuttavia, il raggiungimento della scalabilità e il mantenimento di una discriminazione accurata tra le manomissioni avversarie e il degrado naturale, come l’invecchiamento fisico a temperature più elevate, le abrasioni dell’imballaggio e l’impatto dell’umidità, pongono sfide significative.
I ricercatori della Purdue University si sono ispirati alle capacità dei modelli di deep learning. Come riportato in Advanced Photonics, hanno proposto un metodo di rilevamento ottico anticontraffazione per i dispositivi a semiconduttore che è robusto in presenza di caratteristiche di manomissione avversaria, come abrasioni dolose della confezione, trattamento termico compromesso e strappi.
Il gruppo di lavoro ha introdotto un nuovo approccio di apprendimento profondo denominato ‘Residual, Attention-based Processing of Tampered Optical Responses’ (RAPTOR), un discriminatore che identifica le manomissioni analizzando i modelli di nanoparticelle d’oro incorporati nei chip. Il sistema ha dimostrato la massima accuratezza, rilevando correttamente la manomissione nel 97,6% dei casi. Un risultato, spiegano i ricercatori “che apre una grande opportunità per l’adozione di metodi anticontraffazione basati sul deep learning nell’industria dei semiconduttori”.