Em um artigo recente em Comunicações da Natureza, pesquisadores apresentaram uma nova abordagem ao combate à falsificação usando nanodiamantes fluorescentes (FNDs) como funções físicas não clonáveis (PUFs). O estudo apresenta um esquema de codificação tridimensional que aumenta a capacidade de codificação dos rótulos PUF, combinado com um algoritmo de aprendizado métrico profundo para melhorar a autenticação. Esta abordagem visa enfrentar os desafios da falsificação.
Crédito da imagem: FOTOGRIN/Shutterstock.com
Fundo
A contrafação tornou-se um problema generalizado, afetando não apenas os produtos de luxo, mas também os produtos farmacêuticos e eletrónicos. O impacto económico dos produtos contrafeitos é surpreendente, com estimativas que sugerem perdas de milhares de milhões anualmente.
Os PUFs ganharam atenção como uma tecnologia promissora para autenticação segura devido à sua singularidade inerente e dificuldade de replicação. Os FNDs, em specific, são reconhecidos pelas suas propriedades ópticas, que permitem codificação de alta dimensão. No entanto, os sistemas PUF existentes enfrentam frequentemente desafios relacionados com a reprodutibilidade e a interferência de ruído, limitando as suas aplicações práticas.
Os autores deste estudo pretendem superar essas limitações desenvolvendo um método avançado de codificação e autenticação que aproveite as características únicas dos FNDs.
O Estudo Atual
A configuração experimental incluiu um microscópio de fluorescência de campo amplo personalizado para imagens de alta resolução dos rótulos FND PUF. Um laser contínuo de 532 nm foi utilizado como fonte de luz de excitação, com polarização controlada por uma placa de meia onda e um polarizador, permitindo a manipulação precisa da direção de polarização do laser. A fluorescência emitida pelos FNDs foi capturada por uma câmera EMCCD resfriada a água, proporcionando um campo de visão de aproximadamente 30 × 30 μm.
O processo de fabricação das etiquetas FND PUF incluiu tratamento de plasma das lâminas de cobertura para melhorar as propriedades da superfície, seguido de imersão em uma solução de 3-aminopropiltrietoxissilano (APTES) para criar uma superfície carregada positivamente. Os FNDs carboxilados foram então lançados nas lâminas tratadas, incubados para absorção eletrostática e cobertos com uma camada protetora de polidimetilsiloxano (PDMS).
Para digitalizar as imagens de fluorescência, foi estabelecido um sistema de medição de contraste, correlacionando a contagem de fótons aos valores de contraste dos pixels. Nove níveis de contraste distintos foram definidos para representar a informação codificada. As imagens foram analisadas usando uma rede neural convolucional (CNN) projetada para aprendizado métrico, permitindo ao sistema diferenciar efetivamente vários rótulos PUF.
Resultados e Discussão
Os resultados demonstraram a eficácia do esquema de codificação tridimensional proposto. Os autores distinguiram com sucesso todos os 300 rótulos PUF dentro de um intervalo de limiar definido, mostrando a robustez do seu método. O processo de autenticação revelou alta reprodutibilidade, com índices de similaridade calculados entre múltiplas imagens digitalizadas do mesmo rótulo PUF. As descobertas indicaram que o sistema manteve um desempenho consistente mesmo sob condições variadas, como interferência de ruído e estabilidade a longo prazo.
A estrutura de aprendizagem métrica profunda foi essential para aprimorar o processo de autenticação. Ao treinar a CNN em pares de imagens digitalizadas, o sistema aprendeu a identificar e diferenciar com eficácia rótulos semelhantes e diferentes. Os mapas de calor gerados a partir das pontuações de similaridade forneceram insights visuais sobre os resultados da autenticação, ilustrando a capacidade do sistema de classificar com precisão os rótulos PUF com base em suas informações codificadas.
O estudo também destacou as vantagens do uso de FNDs em aplicações antifalsificação. As propriedades ópticas únicas dos FNDs permitiram codificação de alta dimensão, aumentando significativamente a capacidade de informação em comparação com os métodos tradicionais. Os autores também discutiram o potencial de integração desta tecnologia em diversas indústrias, enfatizando sua escalabilidade e adaptabilidade.
Conclusão
Este estudo apresenta o uso de nanodiamantes fluorescentes como funções físicas não clonáveis para combate à falsificação. O desenvolvimento de um esquema de codificação tridimensional, combinado com um algoritmo de aprendizagem métrica profunda, aborda os desafios de reprodutibilidade e interferência de ruído que afetaram os sistemas PUF anteriores. Os resultados mostram que esta abordagem pode fornecer uma solução confiável e escalável para autenticação de produtos em vários setores.
Dado que a contrafacção continua a ser um problema world, a integração de tais tecnologias poderá ajudar a melhorar a integridade dos produtos. O trabalho dos autores fornece uma base para futuras pesquisas e desenvolvimento em estratégias antifalsificação.
Referência do diário
Wang L., e outros. (2024). Nanodiamantes antifalsificação de alta dimensão autenticados com aprendizado métrico profundo. Comunicações da Natureza. DOI: 10.1038/s41467-024-55014-2, https://www.nature.com/articles/s41467-024-55014-2