Η Polyhedra ξεκίνησε το Zkpytorch, έναν νέο μεταγλωττιστή που σχεδιάστηκε για να μετασχηματίζει τα μοντέλα μηχανικής μάθησης σε αποδείξεις μηδενικής γνώσης στις 26 Μαρτίου 2025. Η απελευθέρωση από την Polyhedra καθιστά δυνατή την εκτέλεση των μοντέλων AI με ακρίβεια και να επαληθεύσει την ακεραιότητά τους τώρα που ο Zkpytorch φέρνει κρυπτογραφική διασφάλιση των κανονικά αδιαφανών διαδικασιών του AI.
Ταχύτερες και πιο αποτελεσματικές αποδείξεις μηδενικής γνώσης για μηχανική μάθηση προκύπτουν μέσω του μεταγλωττιστή Zkpytorch, ο οποίος μετατρέπει τα μοντέλα Pytorch και ONNX σε ασφαλή, αποδοτικά κυκλώματα μηδενικής γνώσης. Το κλειδί για την έκκλησή του είναι ότι αντηχεί πληκτρολογώντας τη γλώσσα της μηχανής, διατηρώντας τις υπάρχουσες ροές εργασίας ανάπτυξης για τους μηχανικούς αντί να τους απαιτεί να μάθουν νέα συστήματα. “Ο Zkpytorch δίνει στους πράκτορες AI μια ταυτότητα”, εξήγησε ο Tiancheng Xie, συνιδρυτής του Polyhedra Network. “Είναι ένας αξιόπιστος και κλιμακωτός τρόπος για να εγγυηθούμε την ακεραιότητα ενός πράκτορα AI χωρίς να ξαναγράψουμε τη στοίβα AI σας”, πρόσθεσε ο Xie.
Για να επιταχύνετε τη δημιουργία αποδείξεων μηδενικής γνώσης για μηχανική μάθηση, τα συνηθισμένα μοντέλα μηχανικής μάθησης δεν χρειάζονται προσαρμογή. Το Zkpytorch αλληλεπιδρά με την τυπική ροή εργασίας ανάπτυξης Pytorch. Για τους σκοπούς των κινητήρων ZKP, όπως ο Expander (αναγνωρισμένος υψηλής ταχύτητας του Polyhedra), δημιουργεί εγγενή, έτοιμη να αναπτύξει κυκλώματα. Αυτό είχε προηγουμένως περιλάμβανε μοντέλα επανεκπαίδευσης ή προσαρμοσμένων. Ουσιαστικά, το ZKPytorch βελτιστοποιεί τις εξόδους μοντέλου για την ανταλλαγή και την κατανόηση της συμπεριφοράς τους με σαφήνεια, χρησιμοποιώντας όλα τα σημεία δεδομένων χωρίς να εκθέτει τις ευαίσθητες λεπτομέρειες των υποκείμενων δεδομένων.
Ο αγωγός συλλογής Zkpytorch βελτιώνει την αποτελεσματικότητα μέσω των παρακάτω βημάτων:
- Προεπεξεργασία γραφημάτων: Βυθίζεται στο δομικό τμήμα των μοντέλων μηχανικής μάθησης για να τα μετατρέψει σε πιο εκτελεστικά κυκλώματα μηδενικής γνώσης που είναι πιο αποτελεσματικά στις υπολογιστικές πλατφόρμες επαλήθευσης ZKP.
- Κβαντισμός: Η ενίσχυση της ακρίβειας του μοντέλου για τη μηχανική μάθηση καθιστά τις μεταβλητές πιο απόδοση.
- Βελτιστοποίηση κυκλώματος: Με την τακτική βελτιστοποίηση των πρακτικών, ο Zkpytorch βρίσκει αποτελεσματικούς τρόπους για να επαναλάβει τα υποκείμενα δεδομένα ως κυκλώματα που αφορούν την απόδειξη που παραμένουν αποτελεσματικά όσον αφορά την απόδοση και την υπολογιστική εκτέλεση στο ZKP.
Οι μεταγλωττιστές για την εκμάθηση μηχανών συνήθως εκτελούν τα αρχικά αποτελεσματικά συστήματα AI χρησιμοποιώντας την απελευθέρωση Zkpytorch. Οι αριθμοί απόδοσης ξεδιπλώνονται ως εξής:
- VGG-16: 15 εκατομμύρια παραμέτρους και διαρκεί περίπου 2,2 δευτερόλεπτα ανά απόδειξη εικόνας με το ακριβές μοντέλο, έξοδο.
- Llama-3: Ένα μοντέλο με 8 δισεκατομμύρια παραμέτρους μειώθηκε σε περίπου 150 δευτερόλεπτα για αποδείξεις εγγράφων ανά κόστος συμβολαίου για κάθε απόδειξη για κάθε απόδοση.
Η απόδοση μετρήθηκε χρησιμοποιώντας μια CPU ενός πυρήνα με το backend του Expander για να ανακτήσει την ακριβή έξοδο και να σας προσφέρει τα κατάλληλα οφέλη για την απόδειξη.
Ένα δεύτερο και βασικό πλεονέκτημα είναι ότι το Zkpytorch εξασφαλίζει ότι η ορθότητα των συμπερασμάτων είναι κρυπτογραφικά επαληθεύσιμη. Ορισμένες από τις πιθανές εφαρμογές περιλαμβάνουν:
- Πρότυπα ταυτότητας: Μια πλήρως επαληθεύσιμη στοίβα AI εξασφαλίζει ότι τα αποτελέσματά του είναι προϊόν αξιόπιστων πράκτορων AI. Εξαιτίας αυτού, μια ασφαλής ροή εργασίας ανάπτυξης AI μπορεί να δημιουργήσει καθησυχασμένα αποτελέσματα, παραβίασης.
- Οικονομική και υγειονομική περίθαλψη AI: Τα κρίσιμα πεδία μοιράζονται ιδέες και ασφάλεια που μπορούν να δημιουργήσουν ασφαλή συστήματα AI αρκετά ασφαλή για να αποφευχθεί η διαρροή ευαίσθητα δεδομένα.
- Συνεχής συμμόρφωση: Οι νέοι κανονισμοί μπορούν να διασφαλίσουν ότι τα μοντέλα μηχανικής μάθησης συμμορφώνονται χωρίς να διαρρέουν βασικές επιχειρηματικές πληροφορίες που παραμένουν λογικές και λειτουργικές.
Οι προγραμματιστές μπορούν να προσαρμοστούν γρήγορα σε αυτό το νέο πρότυπο με τα κιτ ανάπτυξης λογισμικού Python και Rust (SDK). Η πλήρης τεκμηρίωση και τα γρήγορα ξεκινά περιγράφουν λεπτομερώς τον τρόπο με τον οποίο οι προγραμματιστές μπορούν να μεταβαίνουν άψογα από τις παραδοσιακές μεθοδολογίες εκμάθησης μηχανών σε αυτή τη νέα ενσωμάτωση μηδενικής γνώσης. Η Polyhedra βρίσκεται ως πρωτοποριακή δύναμη σε αυτό το νέο πεδίο, βασιζόμενη στην τεχνογνωσία από τους ηγέτες της βιομηχανίας στην ασφάλεια Blockchain και AI.
Έγγραφα, λεπτομέρειες έρευνας και πηγαίο κώδικα: Όσοι ενδιαφέρονται για τα ερευνητικά ευρήματα της Polyhedra μπορούν να τα βρουν εδώ: https://eprint.iacr.org/2025/535.
Το “Zkpytorch” της Polyhedra αντιπροσωπεύει έναν νέο ακρογωνιαίο λίθο στην ασφάλεια της μηχανικής μάθησης, όπου τα δημοφιλή μοντέλα μπορούν να επιτύχουν κρυπτογραφική ακεραιότητα χωρίς την ανάγκη για ριζικές επισκευές, παρέχοντας μια ομαλή πορεία για τους προγραμματιστές να ενσωματώσουν ένα στρώμα εμπιστοσύνης στις προσφορές.
- Προεπεξεργασία γραφημάτων: Ξεκινά με την αντιμετώπιση των διαρθρωτικών παραγόντων που επηρεάζουν τα μοντέλα μηχανικής μάθησης για να αποδώσουν αποτελεσματικά κυκλώματα μηδενικής γνώσης.
- Κβαντισμός: Εξοπλίζει τις μεταβλητές που παρουσιάζονται σε μοντέλα για την ενίσχυση τόσο της ακρίβειας όσο και των επιδόσεων κατά τη διάρκεια των επαληθεύσεων από την απόδειξη μηδενικής γνώσης (ZKP).
- Βελτιστοποίηση κυκλώματος: Χρησιμοποιεί τακτικές μεθόδους βελτιστοποίησης, επιτρέποντας στο σύστημα να ανακατεύει τα υποκείμενα δεδομένα μοντέλου σε προτροπές κυκλώματος που εξισορροπεί την απόδοση και την αποτελεσματικότητα στα υπολογιστικά όρια.
Ένα ξεχωριστό χαρακτηριστικό του Zkpytorch είναι η ικανότητά του να εξασφαλίζει κρυπτογραφική επαλήθευση στην ορθότητα των συμπερασμάτων, ανακουφίζοντας τους προγραμματιστές του φορτίου να έχουν συνεχείς ελέγχους και ισορροπίες και να εξαλείφουν την ανάγκη για επιπλέον εργαλεία ασφαλείας που θα μπορούσαν να φορολογήσουν την αποτελεσματικότητα και το κόστος.
VIA: DataConomy.com
