机器学习抵抗性非晶硅物理不可克隆函数（PUFs）
内容提要
该文综述机器学习与物理的交叉研究，涵盖光物理不可克隆函数的学习、晶格PUF安全性、高斯近似势量子计算、可学习激活函数鲁棒性、物理信息神经网络裂纹识别、卷积网络预测无序网络泊松比、概率计算与自旋电子器件应对摩尔定律放缓、深度网络防御物理层欺骗攻击及光子芯片加速期权定价。
延伸解读
PUF安全与机器学习的博弈
文章指出，光物理不可克隆函数（PUFs）可被多项式资源下的机器学习模型以任意精度学习，这对硬件安全构成威胁。同时，基于仲裁器的PUF可利用主动学习提升支持向量机攻击效率，而晶格PUF则借助LWE问题增强抗机器学习能力。这反映了PUF设计中安全性与机器学习攻击之间的持续对抗。
机器学习加速物理计算与材料模拟
高斯近似势方法将机器学习思想引入硅材料的量子力学计算，实现了第一性原理电子结构计算与机器学习的结合。物理信息神经网络（PINN）利用超声表面波数据识别金属板表面裂纹，自适应激活函数显著提高了收敛速度和准确性。这些案例表明机器学习正成为解决物理和材料科学中复杂计算问题的有效工具。
可学习激活函数提升模型鲁棒性
采用可学习参数激活函数（PAFs）如PSSiLU，可以优化影响鲁棒性的激活函数形状属性。仅引入1-2个可学习参数的光滑PAFs就能显著提高加性训练鲁棒性。这提示在模型设计中，激活函数的形状选择对防御对抗性扰动具有实际意义。
新兴硬件与算法应对摩尔定律放缓
摩尔定律放缓推动了对可扩展、高能效硬件的需求。概率计算和自旋电子器件在构建集成概率计算机方面展现出潜力，而光子芯片结合量子振幅估计算法可加速欧式期权定价，相比经典蒙特卡罗方法具有二次加速。这些探索为机器学习和量子物理等新兴领域提供了新的硬件路径。
Q&A
光物理不可克隆函数（PUFs）为什么可以被机器学习？
光PUFs是一类可以在任意精度下以任意高概率进行学习的函数，即使在存在噪声的情况下也能做到，并且只需要多项式数量的挑战-响应对和多项式限制的计算能力，这在对噪声和挑战向量的分布做了温和假设之下成立。
晶格PUF如何保证安全性？
晶格PUF通过基于整型格子的LWE问题和公钥加解密函数的学习难度来确保安全性，并使用LFSR和LWE解密功能实现不同的延迟-面积权衡设计，已在Spartan 6 FPGA上验证和测量。
高斯近似势方法在材料计算中有什么应用？
该方法使用基于机器学习思想的高斯近似势，成功对硅材料进行了量子力学计算，实现了材料领域第一性原理电子结构计算与机器学习的结合。
可学习参数激活函数如何提高神经网络的鲁棒性？
通过采用可学习的参数激活函数（PAFs），特别是PSSiLU，可以优化影响鲁棒性的激活函数形状属性，仅引入1-2个可学习参数的光滑PAFs就能显著提高加性训练鲁棒性。
物理信息神经网络如何用于识别金属板表面裂纹？
研究介绍了一种优化的物理信息神经网络（PINN），使用超声表面波数据识别和表征金属板中的表面裂纹，自适应激活函数的使用显著提高了收敛速度和准确性，该模型有望成为解决病态反问题的有效深度学习模型。
卷积神经网络如何帮助预测无序网络的泊松比？
通过利用卷积神经网络在动力矩阵上的训练，可以更高效地预测无序网络的泊松比值，从而显著改进机器学习算法，并展示了机器学习在揭示基础物理机制方面的辅助作用。
概率计算和自旋电子器件如何应对摩尔定律放缓？
摩尔定律放缓需要可扩展且节能的硬件来运行AI算法，概率计算和自旋电子器件在设计集成p-计算机方面显示出前景，可应用于机器学习和量子物理等新兴领域。
深度神经网络如何防御物理层欺骗攻击？
研究利用深度神经网络和变分自编码器两种机器学习算法进行物理层欺骗攻击的性能，发现随机分配子载波可以使非连续OFDM系统对抗这种攻击。
光子芯片如何加速期权定价？
提出一种光子芯片，利用一元法计算欧式期权定价，并结合量子振幅估计算法，与经典蒙特卡罗方法相比具有二次加速度。芯片由三个模块组成：加载资产价格分布、计算预期收益和执行量子振幅估计算法。在资产价格分布模块中，嵌入了生成对抗网络以高效学习和加载资产分布，准确捕捉市场趋势。
