一种基于深度学习的芯片逆还原方法及系统

技术领域

本发明属于芯片IC设计领域，具体涉及到一种基于深度学习的芯片逆还原方法及系统。

背景技术

IC设计是一件高风险的投资行为，及时了解同类竞争对手的技术可提高成功率，芯片的逆向工程是一种解决方案。通过逆向可将整颗芯片从封装、线路布局、内部结构、尺寸、材料、制成与步骤一一还原，进而可还原电路设计。

发明内容

本发明提出一种基于深度学习的芯片逆还原方法及系统，解决芯片还原过程中无法高效准确的识别芯片电路图的问题。

为达到上述目的，本发明的技术方案是这样实现的：

一种基于深度学习的芯片逆还原方法，包括：

S1、对芯片图像数据集进行清洗、标注，并对标注后的图像进行保存；

S2、根据标注好的芯片图像样本，使用人工智能框架，设置网络结构和训练超参数，通过GPU CUDA加速，使用CNN卷积神经网络算法，最终训练出深度网络目标检测模型；

S3、载入训练好的检测模型，对芯片图像进行检测，识别芯片图像的各电路模块。

进一步的，步骤S1具体包括包括芯片图像载入、芯片图像编辑、芯片图像批量导出、修改芯片图像压缩格式、对芯片图像的标注，其中芯片图像编辑包括芯片图像的裁剪、尺寸变换、撤销。

进一步的，步骤S2具体过程包括:

S201、加载标注好的芯片图像数据集；

S202、构建神经网络；

S203、开始训练；

S204、生成检测模型。

进一步的，步骤S3中的检测过程还包括是否检测过的判断以及是否需要重新检测的选择。

进一步的，步骤S1、S2、S3的计算任务提交给集群管理存储节点，集群管理软件按设定要求拆分成子任务，分别提交给计算节点做计算，所有的子任务计算结果最后汇总到集群管理存储节点并返回。

本发明的另一方面，还提出了一种基于深度学习的芯片逆还原系统，包括：

芯片数据标注清洗软件，对芯片图像数据集进行清洗、标注，并对标注后的图像进行保存；

芯片要素检测模型训练软件，根据标注好的芯片图像样本，使用人工智能框架，设置网络结构和训练超参数，通过GPU CUDA加速，使用CNN卷积神经网络算法，最终训练出深度网络目标检测模型；

芯片要素检测人工交互式软件，载入训练好的检测模型，对芯片图像进行检测，识别芯片图像的各电路模块。

进一步的，芯片数据标注清洗软件包括芯片图像载入模块、芯片图像编辑模块、芯片图像批量导出模块、修改芯片图像压缩格式模块、对芯片图像的标注模块，其中芯片图像编辑模块包括芯片图像裁剪单元、尺寸变换单元、撤销单元。

进一步的，芯片要素检测模型训练软件包括:

加载模块，加载标注好的芯片图像数据集；

构建模块，用于构建神经网络；

训练模块，用于开始训练；

生成模块，用于生成检测模型。

进一步的，芯片要素检测人工交互式软件包括：

判断模块，进行是否检测过的判断；

选择模块，进行是否需要重新检测的选择。

进一步的，芯片数据标注清洗软件、芯片要素检测模型训练软件、芯片要素检测人工交互式软件的计算任务提交给集群管理存储节点，集群管理存储节点的集群管理软件按设定要求拆分成子任务，分别提交给计算节点做计算，所有的子任务计算结果最后汇总到集群管理存储节点并返回。

与现有技术相比，本发明具有如下的有益效果：

本发明使用人工智能技术深度学习的方法，实现了对芯片复杂的电路构造的识别，可大大提高芯片逆还原的效率，为芯片设计和生产提供了辅助，有效降低了芯片设计失败的风险。

附图说明

图1是本发明的整体架构示意图；

图2是本发明的模型训练流程示意图；

图3是本发明的芯片图像电路模块识别流程示意图。

具体实施方式

需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。

在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以通过具体情况理解上述术语在本发明中的具体含义。

如图1所示，本发明由高性能计算硬件和软件组成。芯片数据标注清洗软件，芯片要素检测模型训练软件，芯片要素检测人工交互式软件运行在硬件设备上，任务提交给集群管理存储节点，集群管理软件按设定要求拆分成子任务，分别提交给计算节点做计算，所有的子任务计算结果最后汇总到集群管理节点返回给软件。

芯片数据标注清洗软件，主要是对芯片图像数据集进行清洗、标注，并可对标注后的图像进行保存，为后续训练软件提供训练数据。满足如下功能：

·具有图像载入功能。

·具有图像的编辑(裁剪，尺寸变换，撤销)功能。

·具有图像的批量导出功能。

·具有修改图像压缩格式功能。

·具备对芯片图像的标注功能。

芯片要素检测模型训练软件可根据标注好的芯片图像样本，使用主流的人工智能框架，如TensorFlow、Pytorch，设置网络结构和训练超参数，通过GPU CUDA加速，使用CNN(卷积神经网络)算法，最终训练出深度网络目标检测模型。整个模型保存到一个文件中，包含权重值、模型配置及优化器的配置，keras中使用HDF5标准提供基本的保存格式。

芯片要素检测模型训练软件满足如下功能：

·具有载入国定格式下的深度网络模型，并支持可视化功能。

·具有可视化显示训练过程功能。

·具有模型文件的导出功能。

芯片要素检测模型训练软件的训练过程如图2所示，包括：

(1)加载标注好的芯片图像数据集；

(2)构建神经网络；

(3)开始训练；

(4)生成检测模型。

芯片要素检测人工交互软件载入训练好的检测模型，对芯片图像进行检测，具体检测过程如图3所示，包括是否检测过的判断以及是否需要重新检测的选择。可快速有效的识别芯片图像的各电路模块。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。