Polyhedra wprowadziła ZKPYTORCH, nowy kompilator zaprojektowany do przekształcania modeli uczenia maszynowego w dowody zerowej wiedzy 26 marca 2025 r. Wydanie przez Polyhedry umożliwia dokładne uruchomienie modeli AI i sprawdzenie ich integralności, że Zkpytorch wprowadza kryptograficzne zapewnienie do normalnie nieprzejrzystych procesów AI.
Szybsze i bardziej wydajne dowody zerowej wiedzy na uczenie maszynowe pojawiają się przez kompilator ZKPYTORCH, który przekształca modele Pytorch i Onnx w bezpieczne, efektywne obwody zerowej wiedzy. Kluczem do jego atrakcji jest to, że przypomina pisanie w języku maszynowym, zachowując istniejące przepływy pracy dla inżynierów, a nie wymagać od nich nauki nowych systemów. „Zkpytorch daje agentom AI tożsamość”, wyjaśnił Tiancheng Xie, współzałożyciel Polyhedra Network. „To zaufany i skalowalny sposób zagwarantowania integralności agenta AI bez przepisywania stosu AI” – dodał Xie.
Aby przyspieszyć tworzenie dowodów zerowej wiedzy dla uczenia maszynowego, zwykłe modele uczenia maszynowego nie wymagają dostosowywania. ZKPYTORCH oddziałuje ze standardowym przepływem pracy Pytorch. Do celów silników ZKP, takich jak Expander (uznany Polyhedra, generuje natywny, gotowy do wdrażania obwodów. Wcześniej obejmowało to modele przekwalifikowane lub na zamówienie. Zasadniczo ZKPYTORCH zoptymalizuje wyjścia modelu w celu wyraźnego udostępniania i zrozumienia ich zachowania przy jednoczesnym wykorzystaniu wszystkich punktów danych bez ujawniania poufnych szczegółów danych podstawowych.
Rurociąg kompilacji ZKPYTORCH poprawia wydajność poprzez poniższe czynności:
- Przetwarzanie wstępne wykresu: Zagłębia się w strukturalną część modeli uczenia maszynowego, aby przekonwertować je na bardziej performatywne obwody zerowej wiedzy, które są bardziej wydajne na obliczeniach platform weryfikacyjnych ZKP.
- Kwantyzacja: Zwiększenie dokładności modelu uczenia maszynowego sprawia, że zmienne są bardziej wydajne.
- Optymalizacja obwodu: Regularnie optymalizując praktyki, ZKPYTORCH znajduje skuteczne sposoby ponownego przeniesienia danych podstawowych jako obwodów wartych dowodu, które pozostają wydajne pod względem wydajności i wykonywania obliczeniowego w ZKP.
Kompilatory uczenia maszynowego zazwyczaj uruchamiają początkowe wydajne systemy AI za pomocą wydania ZKPYTORCH. Numery wydajności rozwijają się w następujący sposób:
- VGG-16: 15 milionów parametrów i działa około 2,2 sekundy na dowód obrazu z dokładnym modelem, wyjście.
- LLAMA-3: Model z 8 miliardami parametrów zmniejszył się do około 150 sekund dla dowodów dokumentów na koszt tokena dla każdego dowodu na każdą przepustowość.
Wydajność zmierzono za pomocą jednochodowego procesora z zapleczem Expander w celu uzyskania dokładnego wyjścia i zapewnienia odpowiednich korzyści dla dowodu.
Zaletą drugiego i kluczowego jest to, że ZKPYTORCH zapewnia, że poprawność wnioskowania jest weryfikowalna do kryptograficznie. Niektóre z możliwych aplikacji obejmują:
- Standardy tożsamości: W pełni weryfikowalny stos AI zapewnia, że jego wyniki są produktem godnych zaufania agentów AI. Z tego powodu bezpieczny przepływ pracy w zakresie rozwoju sztucznej inteligencji może przynieść uspokojące, oczywiste wyniki.
- AI Financial and Healthcare: Krytyczne pola mają spostrzeżenia i bezpieczeństwo, które mogą stworzyć responsywne systemy AI wystarczająco bezpieczne, aby zapobiec wyciekom wrażliwych danych.
- Ciągła zgodność: Nowe przepisy mogą zapewnić, że modele uczenia maszynowego są zgodne bez wycieku kluczowych informacji biznesowych, które pozostają logiczne i funkcjonalne.
Deweloperzy mogą szybko dostosować się do tego nowego standardu ze swoimi zestawami programistycznymi Python i Rust (SDK). Pełna dokumentacja i szybkie startery szczegółowo opisują, w jaki sposób programiści mogą bezproblemowo przechodzić od tradycyjnych metodologii uczenia maszynowego do tej nowej integracji zerowej wiedzy. Polyhedra jest przełomową siłą w tej nowej dziedzinie, opierając się na wiedzy specjalistycznej liderów branży w zakresie bezpieczeństwa blockchain i sztucznej inteligencji.
Dokumenty, szczegóły badań i kod źródłowy: Osoby zainteresowane wyników badań polihedry mogą je znaleźć tutaj: https://eprint.iacr.org/2025/535.
„Zkpytorch” Polyhedry stanowi nowy kamień węgielny w zakresie bezpieczeństwa uczenia maszynowego, w którym popularne modele mogą osiągnąć integralność kryptograficzną bez potrzeby radykalnych remontu, zapewniając programiści płynną ścieżkę do integracji warstwy zaufania z ofertami.
- Przetwarzanie wstępne wykresu: Rozpoczyna się, zajmując się czynnikami strukturalnymi wpływającymi na modele uczenia maszynowego w celu uzyskania wydajnych obwodów zerowej wiedzy.
- Kwantyzacja: Dopełniają zmienne przedstawione w modelach w celu zwiększenia dokładności i wydajności podczas weryfikacji zero-wiedzy (ZKP).
- Optymalizacja obwodu: Zastosuje regularne metody optymalizacji, umożliwiając systemowi odmalowanie danych modelu do monitów obwodu, które równoważy wydajność i wydajność w ramach progów obliczeniowych.
Wyróżniającą się cechą ZKPYTORCH jest jego zdolność do zapewnienia kryptograficznej weryfikowalności w poprawności wnioskowania, zwalnianie programiści obciążenia do stałych kontroli i równowagi oraz eliminowanie potrzeby dodatkowych narzędzi bezpieczeństwa, które mogą opodatkować wydajność i koszty systemu.
