[發明專利]一種基于深度學習的芯片逆還原方法及系統

在審

• 申請號: 202011543308.2
• 申請日: 2020-12-23
• 公開（公告）號: CN112561902A
• 公開（公告）日: 2021-03-26
• 發明（設計）人: 王鵬飛;封晨;呂曉鋼;王通宇;金玉赫
• 申請（專利權）人: 天津光電通信技術有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06N3/08
• 代理公司: 天津合正知識產權代理有限公司 12229
• 代理人: 李成運

本發明公開了一種基于深度學習的芯片逆還原方法及系統，對芯片圖像數據集進行清洗、標注，并對標注后的圖像進行保存；根據標注好的芯片圖像樣本，使用人工智能框架，設置網絡結構和訓練超參數，通過GPU CUDA加速，使用CNN卷積神經網絡算法，最終訓練出深度網絡目標檢測模型；載入訓練好的檢測模型，對芯片圖像進行檢測，識別芯片圖像的各電路模塊。本發明使用人工智能技術深度學習的方法，實現了對芯片復雜的電路構造的識別，可大大提高芯片逆還原的效率，為芯片設計和生產提供了輔助，有效降低了芯片設計失敗的風險。

技術領域

本發明屬于芯片IC設計領域，具體涉及到一種基于深度學習的芯片逆還原方法及系統。

背景技術

IC設計是一件高風險的投資行為，及時了解同類競爭對手的技術可提高成功率，芯片的逆向工程是一種解決方案。通過逆向可將整顆芯片從封裝、線路布局、內部結構、尺寸、材料、制成與步驟一一還原，進而可還原電路設計。

發明內容

本發明提出一種基于深度學習的芯片逆還原方法及系統，解決芯片還原過程中無法高效準確的識別芯片電路圖的問題。

為達到上述目的，本發明的技術方案是這樣實現的：

一種基于深度學習的芯片逆還原方法，包括：

S1、對芯片圖像數據集進行清洗、標注，并對標注后的圖像進行保存；

S2、根據標注好的芯片圖像樣本，使用人工智能框架，設置網絡結構和訓練超參數，通過GPU CUDA加速，使用CNN卷積神經網絡算法，最終訓練出深度網絡目標檢測模型；

S3、載入訓練好的檢測模型，對芯片圖像進行檢測，識別芯片圖像的各電路模塊。

進一步的，步驟S1具體包括包括芯片圖像載入、芯片圖像編輯、芯片圖像批量導出、修改芯片圖像壓縮格式、對芯片圖像的標注，其中芯片圖像編輯包括芯片圖像的裁剪、尺寸變換、撤銷。

進一步的，步驟S2具體過程包括:

S201、加載標注好的芯片圖像數據集；

S202、構建神經網絡；

S203、開始訓練；

S204、生成檢測模型。

進一步的，步驟S3中的檢測過程還包括是否檢測過的判斷以及是否需要重新檢測的選擇。

進一步的，步驟S1、S2、S3的計算任務提交給集群管理存儲節點，集群管理軟件按設定要求拆分成子任務，分別提交給計算節點做計算，所有的子任務計算結果最后匯總到集群管理存儲節點并返回。

本發明的另一方面，還提出了一種基于深度學習的芯片逆還原系統，包括：

芯片數據標注清洗軟件，對芯片圖像數據集進行清洗、標注，并對標注后的圖像進行保存；

芯片要素檢測模型訓練軟件，根據標注好的芯片圖像樣本，使用人工智能框架，設置網絡結構和訓練超參數，通過GPU CUDA加速，使用CNN卷積神經網絡算法，最終訓練出深度網絡目標檢測模型；

芯片要素檢測人工交互式軟件，載入訓練好的檢測模型，對芯片圖像進行檢測，識別芯片圖像的各電路模塊。

進一步的，芯片數據標注清洗軟件包括芯片圖像載入模塊、芯片圖像編輯模塊、芯片圖像批量導出模塊、修改芯片圖像壓縮格式模塊、對芯片圖像的標注模塊，其中芯片圖像編輯模塊包括芯片圖像裁剪單元、尺寸變換單元、撤銷單元。

進一步的，芯片要素檢測模型訓練軟件包括:

加載模塊，加載標注好的芯片圖像數據集；

構建模塊，用于構建神經網絡；