ADVERSARIAL: And-Inverter Graph-Assisted Hardware Trojan Detection At Scale

1. 一句话总结 该论文提出一种基于与非图（AIG）符号化表示的图学习框架，以突破超大规模芯片中硬件木马检测的算力与精度瓶颈。

2. 核心创新点 将扁平化门级网表统一映射为仅含2输入AND门与边反相器的AIG布尔网络，实现电路结构的标准化符号建模；融合符号推理与数据驱动学习，使检测算法在十亿级门电路规模下仍保持低内存占用与高泛化能力。

3. 潜在应用场景 面向EDA工具链的自动化安全审计插件、开源芯片（如RISC-V）生态的第三方硬件安全验证平台、IoT设备供应链的轻量级木马筛查服务。个人开发者可参与构建开源AIG解析库、开发面向高校教学的硬件安全可视化实验工具，或基于现有图学习框架微调电路异常检测模型。

4. 在AI知识体系中的位置 属于AI for EDA / 硬件安全交叉领域，核心技术栈为图表示学习 + 神经符号计算（Neuro-symbolic AI）。与“可微逻辑计算”、“AI辅助芯片验证”及“可信AI”主流方向紧密相关（技术思路上与知识库文献[3]《Convolutional Differentiable Logic Gate Networks》在逻辑门可微化与符号-数据融合方向存在呼应）。

5. 推荐指数 ★★★★☆（4/5） 理由：新颖性高（AIG符号化+图学习用于硬件安全属前沿探索），实用性极强（直击现代SoC供应链安全痛点），前瞻性好（契合AI for EDA与可信计算趋势）。个人可参与度中等偏上：虽需掌握基础图神经网络与硬件描述语言，但开源EDA生态（如Yosys、OpenLane）与RISC-V社区已降低门槛，适合具备工程能力的个人开发者参与工具链开发或教学应用落地。

来源：https://arxiv.org/abs/2607.23882v1