Polyedra startete ZKPyTorch, einen neuen Compiler, der am 26. März 2025 in Zero-Knowledge-Proofs entwickelt wurde. Die Veröffentlichung von Polyedra ermöglicht es, AI-Modelle genau auszuführen und ihre Integrität jetzt zu verifizieren, da ZKPytorch die kryptografischen Zusicherung in die normalen Opaque-Prozesse von AI übernimmt.
Schnellere und effizientere Null-Wissen-Beweise für maschinelles Lernen ergeben sich über den ZKPyTorch-Compiler, der Pytorch- und ONNX-Modelle in sichere, feldeffiziente Null-Wissen-Schaltungen umwandelt. Der Schlüssel zu seiner Anziehungskraft ist, dass es die typende Maschinensprache tippt und vorhandene Entwicklungsworkflows für Ingenieure beibehält, anstatt sie zu verpflichten, neue Systeme zu lernen. „Zkpytorch gibt AI-Agenten eine Identität“, erklärte Tiancheng Xie, Mitbegründer des Polyedra-Netzwerks. „Es ist eine vertrauenswürdige und skalierbare Methode, um die Integrität eines KI -Agenten zu gewährleisten, ohne Ihren KI -Stack neu zu schreiben“, fügte Xie hinzu.
Um die Erstellung von Null-Wissen-Beweisen für maschinelles Lernen zu beschleunigen, müssen normale Modelle für maschinelles Lernen nicht angepasst werden. Zkpytorch interagiert mit dem Standard -Workflow für Pytorch -Entwicklungsabläufe. Für die Zwecke von ZKP-Motoren wie Expander (Polyedras anerkanntes Hochgeschwindigkeitsprover) erzeugt es native und bereit, Schaltungen bereitzustellen. Dies umfasste die Umschulung oder maßgeschneiderte Modelle. Im Wesentlichen optimiert ZKPyTorch die Modellausgänge für das Teilen und Verständnis ihres Verhaltens klar, während alle Datenpunkte verwendet werden, ohne die sensiblen Details der zugrunde liegenden Daten freizulegen.
Die ZKPyTorch -Kompilierungspipeline verbessert die Effizienz durch die folgenden Schritte:
- Diagrammvorverarbeitung: Befasst sich mit dem strukturellen Teil der Modelle für maschinelles Lernen, um sie in performativere Null-Wissen-Schaltungen umzuwandeln, die auf rechnerischen ZKP-Verifizierungsplattformen effizienter sind.
- Quantisierung: Die Verbesserung der Modellgenauigkeit für maschinelles Lernen macht die Variablen leistungsfähiger.
- Schaltungsoptimierung: Durch regelmäßige Optimierung der Praktiken findet ZKPyTorch effektive Möglichkeiten, um die zugrunde liegenden Daten als nachweisliche Schaltkreise auszusetzen, die in Bezug auf Leistung und Rechenausführung in ZKP effizient bleiben.
Compiler für maschinelles Lernen führen in der Regel die begonnenen effizienten AI -Systeme mit der ZKPyTorch -Version aus. Die Leistungszahlen entfalten sich wie folgt:
- VGG-16: 15 Millionen Parameter und läuft mit dem exakten Modell, Ausgang, ungefähr 2,2 Sekunden pro Bildnachweis.
- Lama-3: Ein Modell mit 8 Milliarden Parametern, die auf etwa 150 Sekunden für Dokumentennachweise pro Tokenkosten für jeden Beweis für jeden Durchsatz reduziert werden.
Die Leistung wurde unter Verwendung einer Single-Core-CPU mit dem Expander-Backend gemessen, um die genaue Ausgabe abzurufen und Ihnen die entsprechenden Vorteile für den Nachweis zu bieten.
Ein zweiter und Schlüsselvorteil ist, dass ZKPyTorch sicherstellt, dass die Korrektheit der Schlussfolgerung kryptografisch überprüfbar ist. Einige der möglichen Anwendungen umfassen:
- Identitätsstandards: Ein vollständig überprüfbarer KI -Stack stellt sicher, dass seine Ergebnisse das Produkt vertrauenswürdiger KI -Agenten sind. Aus diesem Grund kann ein sicherer AI-Entwicklungs-Workflow beruhigte, manipulationsbezogene Ergebnisse erzielen.
- Finanz- und Gesundheitswesen KI: Kritische Felder teilen Erkenntnisse und Sicherheit, mit denen reaktionsschnelle KI -Systeme sicherlich sind, um ein undagees sensible Daten zu verhindern.
- Kontinuierliche Einhaltung: Neue Vorschriften können sicherstellen, dass maschinelle Lernmodelle ohne ein undichte wichtige Geschäftsinformationen entsprechen, die logisch und funktional bleiben.
Entwickler können sich mit seinen Python- und Rust -Softwareentwicklungskits (SDK) schnell an diesen neuen Standard anpassen. Vollständige Dokumentation und Schnellstarts beschreiben, wie Entwickler nahtlos von herkömmlichen Methoden für maschinelles Lernen zu dieser neuen Integration von Zero-Knowledge übergehen können. Polyedra ist eine bahnbrechende Kraft in diesem neuen Bereich und baut auf Fachkenntnissen von Branchenführern in Blockchain -Sicherheit und KI auf.
Papiere, Forschungsdetails und Quellcode: Diejenigen, die sich für die Forschungsergebnisse von Polyedra interessieren, finden Sie hier: https://eprint.iacr.org/2025/535.
Polyedras „ZKPyTorch“ stellt einen neuen Eckpfeiler in der Sicherheit des maschinellen Lernens dar, bei dem beliebte Modelle kryptografische Integrität erreichen können, ohne radikale Überholungen erforderlich zu machen, und bietet Entwicklern einen reibungslosen Weg, um eine Vertrauensschicht in die Angebote zu integrieren.
- Diagrammvorverarbeitung: Beginnt mit den strukturellen Faktoren, die maschinelle Lernmodelle beeinflussen, um effiziente Null-Wissen-Schaltungen zu erzielen.
- Quantisierung: Feinabstimmung Die in Modellen vorgestellten Variablen, um sowohl die Genauigkeit als auch die Leistung bei Null-Wissen-Proof-Überprüfungen (ZKP) zu verbessern.
- Schaltungsoptimierung: Stellt regelmäßige Optimierungsmethoden ein und ermöglicht es dem System, zugrunde liegende Modelldaten in Schaltungsanforderungen umzuwandeln, die die Leistung und Effizienz innerhalb der Rechenschwellen ausgleichen.
Ein herausragendes Merkmal von ZKPyTorch ist die Fähigkeit, die kryptografische Überprüfbarkeit bei der Korrektheit der Inferenz zu gewährleisten, die Entwickler von der Belastung zu lindern, um ständige Überprüfungen zu haben, und die Notwendigkeit zusätzlicher Sicherheitsinstrumente, die Effizienz und Kosten der Steuersysteme und Kosten benötigen.
