博士研究生岗位：人工智能辅助的集成电路逆向工程（1.0 FTE）

专注于集成电路逆向工程的人工智能与硬件安全领域博士研究生岗位。要求申请者拥有人工智能相关硕士学位或类似专业背景，具备扎实的编程能力及分析能力。

Functieomschrijving: Het Cognitive Science & Artificial Intelligence Research Center van Tilburg University voert het Secure Hardware Intelligence Extraction and Logic Deconstruction (SHIELD)-onderzoeksproject uit. Dit wetenschappelijke project richt zich op AI-ondersteunde reverse engineering van geïntegreerde schakelingen, met toepassingen op het gebied van hardware assurance, dreigingsanalyse en inlichtingenanalyse. Het project wordt uitgevoerd binnen de onderzoekslijnen op het gebied van Deep Learning for Perception and Data Science en Safety and Security, in samenwerking met het Data Science Centre of Excellence van de Nederlandse Defensie Academie en het Nederlands Forensisch Instituut (NFI). In deze functie werk je op het raakvlak van computer vision, micro-elektronische analyse en hardwarebeveiliging. Je werkt onder begeleiding van onderzoekers binnen het Department of Intelligent Systems. Je wordt formeel aangesteld binnen het Department of Intelligent Systems (DIS) en werkt nauw samen met het Department of Computational Cognitive Science (DCS). Het project Het SHIELD-project is een samenwerking tussen Tilburg University, het Data Science Centre of Excellence van de Nederlandse Defensie Academie en het Nederlands Forensisch Instituut. Binnen het project wordt expertise op het gebied van kunstmatige intelligentie, micro-elektronische analyse en hardwarebeveiliging samengebracht. Het doel is om AI-ondersteunde methoden te ontwikkelen voor de reverse engineering van geïntegreerde schakelingen, ter ondersteuning van hardware assurance, dreigingsanalyse en processen voor inlichtingenanalyse. Binnen het project ontwikkel je een methodologie voor het analyseren van microscopische beelden met een hoge resolutie van geïntegreerde schakelingen. Daarbij combineer je computer vision, deep learning en technieken voor logische reconstructie. Je onderzoekt hoe verschillende beeldvormingstechnieken waaronder scanning electron microscopy (SEM), photon emission microscopy (PEM) en focused ion beam (FIB) imaging - met AI kunnen worden gecombineerd om chipstructuren op nanoschaal te reconstrueren en de werking van een chip af te leiden uit de fysieke lay-out. Een belangrijke uitdaging is om betrouwbare structurele en logische informatie te verkrijgen uit complexe halfgeleiderarchitecturen, terwijl de beschikbare beeldgegevens te maken kunnen hebben met ruis, beperkte beeldkwaliteit en andere praktische beperkingen. Je richt je in het bijzonder op de volgende drie hoofdtaken: (a) het ontwikkelen van deep-learningpipelines voor het segmenteren van meerdere chip-lagen en het classificeren van transistors op nanoschaal op basis van microscopische beelden; (b) het ontwikkelen van op grafen gebaseerde inferentiemodellen waarmee hogere-level logische blokken kunnen worden gereconstrueerd en afwijkende structuren kunnen worden geïdentificeerd die mogelijk wijzen op Hardware Trojans; (c) het evalueren van methoden voor het uitlezen en reconstrueren van geheugeninhoud, het analyseren van kwetsbaarheden en het reconstrueren van logische structuren op basis van beeldgegevens die rechtstreeks zijn gekoppeld aan de fysieke chipstructuur. Je onderzoekt hoe AI-gestuurde analyse het huidige, grotendeels handmatige reverse engineeringproces kan automatiseren. Daarbij ontwikkel je methoden om relevante kenmerken uit microscopische beelden te halen en de onderliggende structuur van een chip te interpreteren. De ontwikkelde methoden moeten bovendien robuust zijn tegen ruis, obfuscatie en verschillen tussen chiparchitecturen. Omdat het onderzoek zich op het snijvlak van wetenschappelijke innovatie en hardwarebeveiliging bevindt, is er veel aandacht voor een verantwoorde omgang met gevoelige datasets en forensische randvoorwaarden. Je werkt aan methodologische vernieuwing en houdt daarbij rekening met de eisen die gelden voor onderzoek naar gevoelige hardware en data. Het uiteindelijke doel van het project is het ontwikkelen van een reproduceerbare proof-of-conceptmethodologie waarmee geïntegreerde schakelingen op grotere schaal kunnen worden geanalyseerd. De methodologie moet toepasbaar zijn voor zowel defensieve hardwareverificatie als inlichtingenanalyse van in beslag genomen elektronische apparatuur. Je onderzoekt de wetenschappelijke validiteit en beperkingen van de ontwikkelde methoden en draagt bij aan open-accesspublicaties en technische documentatie. Het SHIELD-project heeft een toekomstgerichte onderzoeksvisie en wil bijdragen aan de versterking van langetermijncapaciteiten op het gebied van betrouwbare hardware, halfgeleidersouvereiniteit en cyber-elektromagnetische weerbaarheid. Je werkt voornamelijk binnen de AI-onderzoeksinfrastructuur van Tilburg University. Je houdt je daar bezig met algoritmeontwikkeling, het trainen van modellen en het valideren van de ontwikkelde methoden. De experimentele validatie en de beeldgegevens komen voort uit samenwerkingen met gespecialiseerde forensische en defensiepartners. Het Nederlands Forensisch Instituut (NFI) levert onder meer expertise op het gebied van microscopische datasets met hoge resolutie en de analyse van halfgeleiders. Hierbij gaat het bijvoorbeeld om technieken zoals scanning electron microscopy en focused ion beam imaging. Deze samenwerking maakt het mogelijk om de ontwikkelde reverse-engineeringmethoden onder realistische praktische omstandigheden te testen en ervoor te zorgen dat het onderzoek aansluit bij daadwerkelijke forensische vraagstukken. Samenwerking met externe stakeholders Het SHIELD-project wordt uitgevoerd in samenwerking met het Data Science Centre of Excellence van de Nederlandse Defensie Academie en andere defensiepartners. Zij leveren tijdens verschillende mijlpalen van het project operationele context en feedback. Hun rol is voornamelijk adviserend. Zij helpen bij het beoordelen van de praktische en methodologische relevantie van het onderzoek, maar sturen de wetenschappelijke uitkomsten niet. Zo zorgt de samenwerking ervoor dat het onderzoek aansluit bij actuele uitdagingen op het gebied van hardware assurance, terwijl de academische onafhankelijkheid en open wetenschappelijke kennisdeling behouden blijven.

职位要求： 您的资质 您已完成人工智能、计算机科学、电气工程、计算神经科学、物理学或类似领域的硕士学业，并具备较强的量化能力。 您具备扎实的 Python 编程能力，并拥有使用 PyTorch 或 TensorFlow 等机器学习和深度学习框架的实践经验。优先具备计算机视觉与图像分析经验者。 您具备强大的分析思维能力，且擅长梳理复杂的议题。您能够抽象出复杂系统，识别研究问题的核心，并制定具有方法论支撑的解决方案。 您能够清晰、流畅地用英语进行书面或口头表达复杂的技术主题。此外，您具备良好的学术写作能力，并对通过公开科学期刊分享研究成果表现出兴趣。

工作条件： 职位与薪资：该博士职位隶属于蒂尔堡大学。我们提供： 全职工作职位。 我将从为期一年的工作合同开始。若第一年结束后评价积极，该合同将延长三年。 第一年总月收入为3204欧元，第四年最高可达4051欧元。 8%的假期津贴及8.3%的年终福利（每年）。 “在蒂尔堡大学（TiU）、MindLabs 的数据科学卓越中心（DSCE）、荷兰国防学院及荷兰法医研究所（NFI）共同开展的大规模跨学科科学项目中，能够开展具有领导力的研究；该项目还具备与多种商业合作伙伴合作以进一步扩展的可能性。您将与经验丰富的研究人员及重要利益相关方合作，身处一个能够推动具有重大社会与科学影响力的研究、促进不同领域间的协作与知识交流的环境中。” 为个人发展及职业规划提供支持，包括参加课程、夏季学校、其他机构（无论是学术还是工业）的会议活动以及类似活动。 提供丰富的辅助工作条件（包括优质技术基础设施、福利计划及出色的体育设施）。 请注意，入职前的筛选可能是招聘程序的一部分。 "荷兰各大学标准"适用。蒂尔堡大学提供优质的就业条件。我们认为灵活性、职业与个人发展以及良好的辅助就业条件至关重要。蒂尔堡大学重视开放且包容的文化氛围。我们倡导多样性，并促进员工与学生群体的相互融合。我们致力于为所有员工和学生创造平等的机会，使每个人都能在大学社区中感到宾至如归。 “蒂尔堡大学”位于一个美丽的绿色环境中，拥有充满活力的校园，且可通过公共交通便捷到达。我们致力于建设可持续社会，期待您积极贡献于此事业。