人工智能支持的集成电路逆向工程博士职位

Het Cognitive Science & Artificial Intelligence Research Center van Tilburg University voert het Secure Hardware Intelligence Extraction and Logic Deconstruction (SHIELD)-onderzoeksproject uit. Dit wetenschappelijke project richt zich op AI-ondersteunde reverse engineering van geïntegreerde schakelingen, met toepassingen op het gebied van hardware assurance, dreigingsanalyse en inlichtingenanalyse.

Het project wordt uitgevoerd binnen de onderzoekslijnen op het gebied van Deep Learning for Perception and Data Science en Safety and Security, in samenwerking met het Data Science Centre of Excellence van de Nederlandse Defensie Academie en het Nederlands Forensisch Instituut (NFI). In deze functie werk je op het raakvlak van computer vision, micro-elektronische analyse en hardwarebeveiliging. Je werkt onder begeleiding van onderzoekers binnen het Department of Intelligent Systems.

Je wordt formeel aangesteld binnen het Department of Intelligent Systems (DIS) en werkt nauw samen met het Department of Computational Cognitive Science (DCS).

Het project

Het SHIELD-project is een samenwerking tussen Tilburg University, het Data Science Centre of Excellence van de Nederlandse Defensie Academie en het Nederlands Forensisch Instituut. Binnen het project wordt expertise op het gebied van kunstmatige intelligentie, micro-elektronische analyse en hardwarebeveiliging samengebracht. Het doel is om AI-ondersteunde methoden te ontwikkelen voor de reverse engineering van geïntegreerde schakelingen, ter ondersteuning van hardware assurance, dreigingsanalyse en processen voor inlichtingenanalyse.

Binnen het project ontwikkel je een methodologie voor het analyseren van microscopische beelden met een hoge resolutie van geïntegreerde schakelingen. Daarbij combineer je computer vision, deep learning en technieken voor logische reconstructie. Je onderzoekt hoe verschillende beeldvormingstechnieken waaronder scanning electron microscopy (SEM), photon emission microscopy (PEM) en focused ion beam (FIB) imaging - met AI kunnen worden gecombineerd om chipstructuren op nanoschaal te reconstrueren en de werking van een chip af te leiden uit de fysieke lay-out.

Een belangrijke uitdaging is om betrouwbare structurele en logische informatie te verkrijgen uit complexe halfgeleiderarchitecturen, terwijl de beschikbare beeldgegevens te maken kunnen hebben met ruis, beperkte beeldkwaliteit en andere praktische beperkingen.

Je richt je in het bijzonder op de volgende drie hoofdtaken:

• (a) het ontwikkelen van deep-learningpipelines voor het segmenteren van meerdere chip-lagen en het classificeren van transistors op nanoschaal op basis van microscopische beelden;

• (b) het ontwikkelen van op grafen gebaseerde inferentiemodellen waarmee hogere-level logische blokken kunnen worden gereconstrueerd en afwijkende structuren kunnen worden geïdentificeerd die mogelijk wijzen op Hardware Trojans;

• (c) het evalueren van methoden voor het uitlezen en reconstrueren van geheugeninhoud, het analyseren van kwetsbaarheden en het reconstrueren van logische structuren op basis van beeldgegevens die rechtstreeks zijn gekoppeld aan de fysieke chipstructuur.

Je onderzoekt hoe AI-gestuurde analyse het huidige, grotendeels handmatige reverse engineeringproces kan automatiseren. Daarbij ontwikkel je methoden om relevante kenmerken uit microscopische beelden te halen en de onderliggende structuur van een chip te interpreteren. De ontwikkelde methoden moeten bovendien robuust zijn tegen ruis, obfuscatie en verschillen tussen chiparchitecturen. Omdat het onderzoek zich op het snijvlak van wetenschappelijke innovatie en hardwarebeveiliging bevindt, is er veel aandacht voor een verantwoorde omgang met gevoelige datasets en forensische randvoorwaarden. Je werkt aan methodologische vernieuwing en houdt daarbij rekening met de eisen die gelden voor onderzoek naar gevoelige hardware en data. Het uiteindelijke doel van het project is het ontwikkelen van een reproduceerbare proof-of-conceptmethodologie waarmee geïntegreerde schakelingen op grotere schaal kunnen worden geanalyseerd. De methodologie moet toepasbaar zijn voor zowel defensieve hardwareverificatie als inlichtingenanalyse van in beslag genomen elektronische apparatuur. Je onderzoekt de wetenschappelijke validiteit en beperkingen van de ontwikkelde methoden en draagt bij aan open-accesspublicaties en technische documentatie. Het SHIELD-project heeft een toekomstgerichte onderzoeksvisie en wil bijdragen aan de versterking van langetermijncapaciteiten op het gebied van betrouwbare hardware, halfgeleidersouvereiniteit en cyber-elektromagnetische weerbaarheid.

Je werkt voornamelijk binnen de AI-onderzoeksinfrastructuur van Tilburg University. Je houdt je daar bezig met algoritmeontwikkeling, het trainen van modellen en het valideren van de ontwikkelde methoden. De experimentele validatie en de beeldgegevens komen voort uit samenwerkingen met gespecialiseerde forensische en defensiepartners. Het Nederlands Forensisch Instituut (NFI) levert onder meer expertise op het gebied van microscopische datasets met hoge resolutie en de analyse van halfgeleiders. Hierbij gaat het bijvoorbeeld om technieken zoals scanning electron microscopy en focused ion beam imaging. Deze samenwerking maakt het mogelijk om de ontwikkelde reverse-engineeringmethoden onder realistische praktische omstandigheden te testen en ervoor te zorgen dat het onderzoek aansluit bij daadwerkelijke forensische vraagstukken.

Samenwerking met externe stakeholders

Het SHIELD-project wordt uitgevoerd in samenwerking met het Data Science Centre of Excellence van de Nederlandse Defensie Academie en andere defensiepartners. Zij leveren tijdens verschillende mijlpalen van het project operationele context en feedback.

Hun rol is voornamelijk adviserend. Zij helpen bij het beoordelen van de praktische en methodologische relevantie van het onderzoek, maar sturen de wetenschappelijke uitkomsten niet. Zo zorgt de samenwerking ervoor dat het onderzoek aansluit bij actuele uitdagingen op het gebied van hardware assurance, terwijl de academische onafhankelijkheid en open wetenschappelijke kennisdeling behouden blijven.