Las Funciones Físicamente No Clonables (PUFs) se han vuelto ubicuas como parte de los algoritmos criptográficos emergentes. Los PUF fuertes también son predominantemente considerados como la variante adecuada para la autenticación de dispositivos ligeros y los protocolos de generación de claves de un solo uso. Esta variante de PUF puede producir un número muy grande de identificadores únicos específicos de dispositivo (CRPs). En consecuencia, es inviable almacenar todo el espacio CRP de un PUF fuerte en una base de datos. Sin embargo, es potencial utilizar el Aprendizaje Automático para proporcionar un modelo estimado de PUF para la inscripción. Un modelo estimado de PUF es una solución compacta para la comunidad de diseñadores, que puede proporcionar acceso al espacio CRP completo del PUF con cierta probabilidad de comportamiento erróneo. Para utilizar esta solución para la inscripción, es crucial por un lado garantizar que el PUF esté protegido contra un ataque de construcción de modelo. Por otro lado, es importante asegurar que la inscripción basada en ML se realice de manera eficiente. En este trabajo, discutimos estos factores y presentamos un procedimiento formalizado de modelado basado en ML de PUF para la inscripción. Primero definimos un esquema seguro que permite la modelabilidad de PUF solo para una parte de confianza. Luego destacamos los parámetros importantes que constituyen el costo de inscripción. Mostramos cómo un procedimiento de inscripción basado en ML debería utilizar estos parámetros para evaluar el costo de inscripción antes de inscribir a un gran grupo de dispositivos habilitados para PUF. Introducimos varios parámetros más para controlar el modelado basado en ML a favor de la inscripción de PUF con un costo mínimo. Nuestro procedimiento de inscripción basado en ML propuesto puede considerarse un punto de partida para desarrollar soluciones de inscripción para protocolos que utilizan un modelo estimado de PUF en lugar de una base de datos CRP. Al final, presentamos un caso de uso de nuestro método de inscripción basado en ML para inscribir 100 instancias de PUF 2-XOR Arbiter y discutimos los resultados evaluativos.