对抗扰动是 ML 基 CAD 的拦路虎吗？基于 CNN 的光刻热点检测案例研究
机器学习
2020-09-07 v1 密码学与安全
机器学习
摘要
在电子计算机辅助设计（CAD）流程中，尤其是基于深度学习的方法，使用机器学习（ML）技术受到广泛关注。然而，尽管深度学习方法已在若干应用中超越最优性能，它们却表现出对对抗扰动的内在易感性——即对神经网络输入进行微小但蓄意的改动，从而引发错误预测。本文旨在探究对抗扰动是否对基于 ML 的 CAD 工具构成风险，若有，如何缓解这些风险。为此，我们以光刻热点检测这一激励性案例研究为例，卷积神经网络（CNN）已在该任务中展现出巨大前景。在此背景下，我们展示了针对最优 CNN 基热点检测器的首次对抗扰动攻击；具体而言，我们表明对版图进行微小（平均 0.5% 修改面积）、保持功能且满足设计约束的改动，仍可诱使 CNN 基热点检测器将修改后的版图预测为无热点（成功率高达 99.7%）。我们提出一种对抗重训练策略以提升 CNN 基热点检测的鲁棒性，并表明该策略在不损害分类准确率的前提下，显著增强了针对对抗攻击的鲁棒性（约 3 倍）。
引用
@article{arxiv.1906.10773,
title = {Are Adversarial Perturbations a Showstopper for ML-Based CAD? A Case Study on CNN-Based Lithographic Hotspot Detection},
author = {Kang Liu and Haoyu Yang and Yuzhe Ma and Benjamin Tan and Bei Yu and Evangeline F. Y. Young and Ramesh Karri and Siddharth Garg},
journal= {arXiv preprint arXiv:1906.10773},
year = {2020}
}