[論文レビュー] SAMSEM -- A Generic and Scalable Approach for IC Metal Line Segmentation

Christian Gehrmann, Jonas Ricker+6 more|arXiv (Cornell University)|Mar 17, 2026

Physical Unclonable Functions (PUFs) and Hardware Security被引用数 0

ひとこと要約

SAMSEM は SAM2 を IC 金属層 SEM 画像へ適用し、多尺度分割とトポロジーに基づく損失で unseen IC へ一般化、誤差率を低減。分布内で 0.72%、分布外で 5.53%、全データで訓練すると 0.62% に達する。

ABSTRACT

In light of globalized hardware supply chains, the assurance of hardware components has gained significant interest, particularly in cryptographic applications and high-stakes scenarios. Identifying metal lines on scanning electron microscope (SEM) images of integrated circuits (ICs) is one essential step in verifying the absence of malicious circuitry in chips manufactured in untrusted environments. Due to varying manufacturing processes and technologies, such verification usually requires tuning parameters and algorithms for each target IC. Often, a machine learning model trained on images of one IC fails to accurately detect metal lines on other ICs. To address this challenge, we create SAMSEM by adapting Meta's Segment Anything Model 2 (SAM2) to the domain of IC metal line segmentation. Specifically, we develop a multi-scale segmentation approach that can handle SEM images of varying sizes, resolutions, and magnifications. Furthermore, we deploy a topology-based loss alongside pixel-based losses to focus our segmentation on electrical connectivity rather than pixel-level accuracy. Based on a hyperparameter optimization, we then fine-tune the SAM2 model to obtain a model that generalizes across different technology nodes, manufacturing materials, sample preparation methods, and SEM imaging technologies. To this end, we leverage an unprecedented dataset of SEM images obtained from 48 metal layers across 14 different ICs. When fine-tuned on seven ICs, SAMSEM achieves an error rate as low as 0.72% when evaluated on other images from the same ICs. For the remaining seven unseen ICs, it still achieves error rates as low as 5.53%. Finally, when fine-tuned on all 14 ICs, we observe an error rate of 0.62%. Hence, SAMSEM proves to be a reliable tool that significantly advances the frontier in metal line segmentation, a key challenge in post-manufacturing IC verification.

研究の動機と目的

• 一般的 retuning なしで diverse IC および SEM 条件下で金属線 segmentation の generalization チャレンジに対処する。
• 様々な画像サイズ、倍率、層構造を扱える堅牢でスケーラブルなパイプラインを開発する。
• 電気的連結性をピクセルレベルの正確さより優先し、後続のネットリスト抽出を改善する。

提案手法

• Large SEM 金属層データセット上で Meta の Segment Anything Model 2 (SAM2) を微調整する。
• 全画像と 512×512 パッチを組み合わせた多尺度分割パイプラインを実装し、構造サイズの varying に対応する。
• ピクセルベースの損失に加えトポロジー基盤の損失を導入し、正しい電気的連結性を強調する。
• ハイパーパラメータ最適化とデータ拡張を用いて技術ノードと SEM 設定の一般化を向上させる。
• パッチレベルの最終分割のためにモデル出力を選択する意思決定機構を提供する。

実験結果

リサーチクエスチョン

• RQ1 微調整した SAM2 ベースのモデルは未見の IC や異なる金属層の SEM 画像へどれだけ generalize できるか。
• RQ2 多尺度分割アプローチは解像度や倍率の異なる場合でも高品質な分割を維持できるか。
• RQ3 トポロジー認識的損失は、ピクセルベースの損失だけよりも連結不良（ショート/オープン）を減らし、ネットリストの信頼性を向上させるか。
• RQ4 画像エンコーダ、マスクデコーダ、プロンプトエンコーダの微調整が segmentation パフォーマンスへ与える影響は。
• RQ5 manual retuning なしで robust な cross-IC 金属線 segmentation を実現するデータセットと訓練戦略は何か。

主な発見

• 跨 IC 一般化は強力: 未知の七つ IC での訓練では分布外誤差 5.53%、全 14 IC 訓練時には 0.62% の分布内誤差を達成。
• 提案された多尺度分割（全サイズと 512×512 パッチ）は大規模構造と微細構造の両方の取り扱いを改善。
• 電気的連結性に焦点を当てたトポロジー基盤の損失は、ショート/オープンのエラーを減らし、ピクセルベースの損失だけを超えるネットリストの信頼性を向上。
• 画像エンコーダ、マスクデコーダ、プロンプトエンコーダを共に微調整すると、アブレーションで分布内の ESD 誤差が 0.7% に達する最良の性能を示す。
• このアプローチは、22〜200 nm の技術ノードから 14IC、48 金属層にわたる多様なデータセットで検証された。