【導讀】

物理不可克隆功能（PUF）是防偽的基石，但是傳統的基於PUF金鑰的標籤遇到了多個瓶頸，例如製造複雜，讀取過程繁瑣且專業化，認證時間長以及環境穩定性不足。在這裡，我們利用二維材料（2DM）將多代微結構構造為PUF模式。透過現場實施兩個在連續的基材收縮過程中，透過無轉移和可擴充套件的方式生產多代2DM PUF模式。在"分類和驗證"機制的基礎上，進一步開發了基於深度學習（DL）的身份驗證軟體，從而大大縮短了身份驗證時間。2DM標籤和DL身份驗證軟體之間的協同作用實現了DeepKey防偽技術，該技術具有卓越的編碼能力和快速身份驗證，可以與QR碼整合以提供兩層資訊保安性。

DeepKey-在極端條件下可靠的AI身份驗證。

新加坡國立大學（NUS）的研究人員發明了一種新的防偽方法，稱為DeepKey。此安全創新使用二維（2-D）材料標籤和支援人工智慧（AI）的身份驗證軟體。相關研究成果釋出在Matter雜誌上。（Multigenerational Crumpling of 2D Materials for Anticounterfeiting Patterns with Deep Learning Authentication）。

與傳統的防偽技術相比，DeepKey的工作速度更快，獲得的準確性更高，並且使用了耐用的識別標籤，這些標籤不易受到極端溫度，化學藥品洩漏，紫外線照射和溼氣等環境條件的破壞。這項新的身份驗證技術可以應用於藥品，珠寶和電子產品等各種高價值產品。例如，DeepKey適用於標記COVID-19疫苗以實現快速可靠的身份驗證，因為其中一些疫苗需要在–70°C的超冷溫度下儲存。

由新加坡國立工程學院化學與生物分子工程學系的陳寶顏副教授和王曉南副教授領導的團隊的二維材料安全標籤具有物理上不可克隆的功能模式（PUF模式），這些模式是隨機生成的透過系統地折皺二維材料薄膜。然後，可以透過訓練有素的深度學習模型對具有多尺度特徵的複雜二維材料圖案進行分類和驗證，從而在不到3.5分鐘的時間內實現可靠（準確度為100％）的身份驗證。

當前使用PUF圖案的防偽技術通常面臨多個瓶頸，包括複雜的製造，專門且乏味的讀出過程，較長的認證時間，不足的環境穩定性以及製造成本高。

Wang助理教授說："透過這項研究，我們解決了其他技術遇到的幾個瓶頸。" "我們的2D材料PUF標籤在環境方面穩定，易於閱讀，簡單且製造成本低。特別是，深度學習的採用大大加快了整體認證的速度，使我們的發明更進一步邁向了實際應用。"

這項研究是與來自安徽理工大學和新加坡南洋理工大學的研究人員合作進行的。

建立PUF標籤的穩定，簡單和可擴充套件的過程

值得注意的是，研究人員不需要任何特殊裝置即可建立安全標籤。它們可以簡單地由氣球，一瓶二維材料分散液和刷子製成。

"首先，我們給球囊充氣並用粘性的2-D材料墨水刷過它的表面。空氣乾燥一整夜後，我們使球囊放氣。由於2-D材料與乳膠基材之間的介面機械不匹配，因此， "在收縮過程中，會產生皺縮的PUF圖案。這些PUF圖案可以在以後切成所需的尺寸，通常一次可以製作成數百個。"研究團隊成員Jing Lin博士說。

同時採用了氧化石墨烯（GO）和碳化鈦（Ti 3 C 2 T x）MXene來構建多代微結構作為基於PUF金鑰的防偽模式。在相繼的球囊放氣之間實施了兩種中間處理，即陽離子嵌入（CI）和溼氣誘導潤滑（MIL），以無轉移和可擴充套件的方式原位設計2DM的多尺度地形。透過CI和MIL處理，可以透過預定的放氣程式生產多代GO和MXene結構（總共22種類型），而無需去除底物或轉移膜。然後將多代2DM層次結構用作基於PUF金鑰的標籤，用於防偽應用程式。

具有可分類的物理不可克隆功能（PUF）的分層二維材料（2DM）地形，用於深度學習（DL）促進的防偽

接下來，研究人員用電子顯微鏡拍攝PUF標籤的快速影象，然後將其同步到他們的創新軟體中，以進行深度學習的"分類和驗證"過程。Jing博士解釋說："整個過程不到3.5分鐘，其中大部分時間都在等待電子顯微鏡讀取。驗證本身非常快，不到20秒。"

使用AI深度學習演算法進行快速身份驗證

由於理論上可以產生大量不同的模式，因此所有基於PUF金鑰的技術都具有超高的編碼能力。但是，由於必須在大型資料庫中進行"搜尋和比較"模式驗證，因此高編碼容量還會導致較長的身份驗證時間。高編碼能力和長認證時間之間的這種折衷通常限制了這種基於PUF的防偽標籤的實際應用。

"透過我們的新技術，我們透過使用可分類的二維材料PUF標籤和深度學習演算法，打破了高編碼能力和長認證時間之間的長期權衡，"王教授說。

首先，研究人員使用了各種二維材料來製作具有AI可識別特徵的PUF標籤。其次，他們訓練了深度學習模型來執行兩步式身份驗證機制。王副教授解釋說："我們使用深度學習模型將PUF模式預先分類為子組，因此搜尋和比較演算法是在一個較小的資料庫中進行的，這縮短了整體認證時間。"

當前，與這種NUS創新類似的唯一可用技術是基於聚合物皺紋的標籤。就像新穎的2D材料標籤一樣，基於表面圖案對皺紋的聚合物標籤進行身份驗證。但是，它們的身份驗證目前需要一對一的特徵提取和匹配，這很慢並且僅顯示80％的可靠性。NUS團隊的身份驗證透過深度學習得到增強，因此速度更快，並且達到了近100％的驗證精度。並允許以簡便，通用，可伸縮和柔和的方法制造具有理論上無限的可程式設計性和複雜性的多代2DM（也可以應用其他薄膜）層次結構。

此外，與溼式化學方法制備的基於聚合物皺紋的標籤相比，這種方法涉及使用有害的有機化學物質和紫外線，相比之下，國大研究人員的製造技術明顯更快，更安全。

後續工作

NUS團隊已為其發明申請了專利，現在正計劃將這項技術進一步推進。Wang助理教授說："我們正在為我們的PUF標籤尋求更好，更快，更可靠的讀取和認證方法。"

該小組已經開始對其他讀出技術進行研究，以進一步縮短處理時間。"此外，透過儲存在區塊鏈中，可以進一步保護透過PUF標籤進行的這種自然編碼的資訊，從而可以透明地跟蹤整個供應鏈和質量控制，"王教授說。