基于深度学习算法的图像PUF识别验证系统

随着各种新型器件和结构的出现，常规微纳加工方法已无法完全满足需求。国家纳米科学中心研究员刘前团队基于自主开发的新概念激光直写设备，开发出多种非常规加工方法。近日，该团队在物理不可复制功能（PUF）防伪标签研究中取得新进展。相关成果在线发表于《自然-通讯》。

社会经济快速发展过程中，假冒伪劣商品日渐猖獗，传统防伪标签因其确定性的构筑模式在自身安全性上面临巨大挑战。PUF标识本征的唯一性和不可预测性可作为商品的“指纹”秘钥，从根本上遏制标签自身被伪造的可能。为此，研究人员利用金属薄膜去湿原理产生的随机分形金网络结构作为PUF，开发出一种由随机分形网络标识符和深度学习识别验证模型组成的新型PUF防伪系统，并展示该PUF的多层级防克隆能力。

借助高通量的图案化光刻（镂空模板）、薄膜沉积及一步热退火技术，新方法可实现晶圆级PUF单元制作，体现了批量化、低成本（单个标签成本不到1美分）的生产特点。

 

基于随机分形网络的PUF制造与表征

为应用于实际防伪场景，研究人员还开发出一种基于深度学习算法的图像PUF识别验证系统，借助ResNet50分类神经网络模型对3.7万个PUF标识符实现了可溯源、快速、高精度（0%假阳性）验证，并提出一种动态数据库策略，赋予深度学习模型极高的数据库扩容能力，理论上打破了庞大数据库的建立与低时间成本之间难以兼容的障碍。

此外，制作这种PUF与微电子工艺流程高度兼容，有望与元器件同时集成并完成元件单元的真实性验证。此次开发的PUF系统能初步满足工业化需求，有望推动商业化PUF防伪技术的发展与普及。目前，相关技术已获国家发明专利授权。

编辑：黄飞