EVHA: 可解释的视觉系统用于硬件测试与保证 —— 概述
基于机器学习的硬件木马检测方法主要识别疑似电路，但缺乏解释决策的能力。基于现有硬件木马检测特征引入了一种可解释的方法和体系结构，通过使用信任中心木马基准对网络列表中的数字硬件木马进行解释和结果的提供。
Jul, 2024
本文研究硬件安全背景下的机器学习漏洞，主要聚焦在硬件木马、机器学习和侧信道分析，通过设计对抗噪声的方法来绕过机器学习侧信道分析，并提供开放的资源和设计。
Jan, 2024
通过形式定义 “硬件木马（HT）检测” 的现实问题，本研究旨在推动硬件设计领域的安全研究。通过在图上扩展 Hide&Seek，采用 “追求者困境” 问题描述方法模拟更贴近真实世界的 HT 检测问题。使用这种理论问题形式，创建了一个混合有 HT 和无 HT 的重组电路基准，并使用开发的基准评估三种最先进的 HT 检测工具，展示了该方法的基准结果。通过主成分分析评估基准的强度，在一些重组的 HT 感染电路与无 HT 电路映射接近的情况下，导致检测器的标签错误分类。
Feb, 2024
半导体制造中的光刻术通常是界定最小模式尺寸的制造步骤，在最近几年中，高数值孔径极紫外光刻术 (high-NA EUVL) 的发展取得了进展，承诺推动模式缩小 (2 纳米节点及以上)。然而，高数值孔径导致了随机缺陷的显著增加和缺陷检测的复杂性增加。本研究探讨了利用切片辅助的超推理 (SAHI) 框架改进当前技术的方法。通过在扫描电子显微镜 (SEM) 图像的增大尺寸切片上进行推理，改进了目标检测器的感知域，提高了小缺陷实例的检测。首先，在以前研究过的半导体数据集上对各种配置进行了基准测试，并且证明了 SAHI 方法可以将小型缺陷的检测能力提高约 2 倍。接下来，我们还展示了 SAHI 的应用可以在新的测试数据集上实现完美的检测率，即使在训练过程中未遇到的情况下，之前训练的模型也无法做到。最后，我们提出了 SAHI 的扩展版本，即在不明显降低真阳性预测的情况下，消除了假阳性预测。
Nov, 2023
利用人工智能技术的 DarwinAI 视觉质检系统 (DVQI) 可自动检测电子制造环境中的印刷电路板组装缺陷，通过最小编程和设置，提高制造工程师的多任务检测效率和加快生产周期，实现对印刷电路板组装缺陷的自动化质检和检验。
Dec, 2023
本文从以人为中心的角度对人工智能可解释性界面在人工智能增强的人机协作系统中的透明性挑战进行了深入研究，并提出了一个用于评估该界面的新框架。通过在可解释人工智能、人机协作以及人机交互等领域进行广泛调查，该研究提供了多个新见解，探讨了将可解释人工智能整合到人工智能增强的人机协作系统中的未来方向。
May, 2024
通过深度学习加速芯片设计的调试过程，在硬件设计周期中生成出现故障的可能原因的解释，并突出显示潜在的故障源代码，实验表明其可实现对开源设计和不同类型注入故障的平均故障定位覆盖率为 82.5%。
Jan, 2024
该论文提出了 AdaTest，一种适用于高效和可靠的硬件特洛伊检测的自适应测试模式生成框架，其中使用强化学习算法生成测试向量并通过电路仿真优化硬件开销。实验结果表明，AdaTest 相较现有技术在测试性能上可获得高达两个数量级的提高，并在更小的测试集大小下取得了更高的特洛伊检测率。
Apr, 2022
本文提出一种全新的硬件加速器中的后门攻击方式，并设计了一个可配置的硬件木马，其中搭载了一个最小化的后门，使得攻击者只需要对少量参数进行更改就可以对深度学习模型做出改变，从而在保证运行效率的同时完全避开了目前防御机制。通过将木马植入 Vitis AI DPU 进行实验，作者成功 ic 证明了这种攻击的可行性与危险性，同时指出了目前硬件加速器中的深度学习模型存在的漏洞和安全问题，为以后的研究和应用提供了重要参考。
Apr, 2023