Polyhedra lanceerde ZKPyTorch, een nieuwe compiler die is ontworpen om machine learning-modellen te transformeren in nulkennisbestendingen op 26 maart 2025. De release van Polyhedra maakt het mogelijk om AI-modellen nauwkeurig te runnen en hun integriteit te verifiëren nu ZKpytorch cryptografische verzekering brengt aan AI’s normaal opaque-processen.
Snellere en efficiëntere nul-kennisbewijzen voor machine learning ontstaan via de ZKPyTorch-compiler, die Pytorch- en ONNX-modellen omzet in veilige, veldefficiënte nulkenniscircuits. De sleutel tot zijn aantrekkingskracht is dat het typen van machinetaal weerspiegelt en bestaande ontwikkelingsworkflows voor ingenieurs behoudt in plaats van ze te eisen dat ze nieuwe systemen leren. “ZKPyTorch geeft AI-agenten een identiteit”, legt Tiancheng Xie, mede-oprichter van Polyhedra Network, uit. “Het is een vertrouwde en schaalbare manier om de integriteit van een AI -agent te garanderen zonder uw AI -stapel te herschrijven,” voegde Xie eraan toe.
Om het creëren van nul-kennisbewijzen voor machine learning te versnellen, hoeven gewone modellen voor machine learning niet aan te passen. ZKPYTORCH interageert met de standaard Workflow van Pytorch -ontwikkeling. Voor de doeleinden van ZKP-motoren, zoals expander (Polyhedra’s veelgeprezen hogesnelheidsopslag), genereert het native, klaar om circuits in te zetten. Dit omvatte eerder omscholings- of op maat gemaakte modellen. In wezen optimaliseert ZKPyTorch modeluitgangen voor het delen en begrijpen van hun gedrag duidelijk, terwijl alle gegevenspunten worden gebruikt zonder de gevoelige details van de onderliggende gegevens bloot te leggen.
De ZKPyTorch -compilatiepijplijn verbetert de efficiëntie door de onderstaande stappen:
- Grafiek voorbewerking: Duikt in het structurele gedeelte van machine learning-modellen om ze om te zetten in meer performatieve nul-kenniscircuits die efficiënter zijn op computationele ZKP-verificatieplatforms.
- Kwantisatie: Verbetering van de modelnauwkeurigheid voor machine learning maakt de variabelen meer performant.
- Circuitoptimalisatie: Door de praktijken regelmatig te optimaliseren, vindt ZKPyTorch effectieve manieren om de onderliggende gegevens weer te geven als proof-waardige circuits die efficiënt blijven in termen van prestaties en computationele uitvoering in ZKP.
Compilers voor machine learning draaien doorgaans de begonnen efficiënte AI -systemen met behulp van de ZKPyTorch -release. Prestatienummers ontvouwen zich als volgt:
- VGG-16: 15 miljoen parameters en loopt ongeveer 2,2 seconden per beeldbestendig met het exacte model, output.
- LLAMA-3: Een model met 8 miljard parameters teruggebracht tot ongeveer 150 seconden voor documentbewijzen per tokenkosten voor elk bewijs op elke doorvoer.
De prestaties werden gemeten met behulp van een CPU met één kern met de Expander Backend om de nauwkeurige output op te halen en u de juiste voordelen voor bewijs te bieden.
Een tweede en sleutelvoordeel is dat ZKPyTorch ervoor zorgt dat de correctheid van de gevolgtrekking cryptografisch verifieerbaar is. Enkele van de mogelijke toepassingen zijn:
- Identiteitsnormen: Een volledig verifieerbare AI -stapel zorgt ervoor dat de resultaten het product zijn van betrouwbare AI -agenten. Daarom kan een veilige AI-ontwikkelingswerkstroom gerustste, sabotage-evidense resultaten opleveren.
- Financiële en gezondheidszorg AI: Kritieke velden delen inzichten en beveiliging die responsieve AI -systemen kunnen creëren die voldoende veilig zijn om lekkende gevoelige gegevens te voorkomen.
- Continue naleving: Nieuwe voorschriften kunnen ervoor zorgen dat modellen voor machine learning voldoen zonder belangrijke bedrijfsinformatie te lekken die logisch en functioneel blijft.
Ontwikkelaars kunnen zich snel aanpassen aan deze nieuwe standaard met zijn Python- en Rust Software Development Kits (SDK). Volledige documentatie en snelstop beschrijven hoe ontwikkelaars naadloos overgaan van traditionele machine learning-methoden naar deze nieuwe, nul-kennis-integratie. Polyhedra staat als een baanbrekende kracht in dit nieuwe veld, voortbouwend op expertise van marktleiders in Blockchain Security en AI.
Papers, onderzoeksdetails en broncode: degenen die geïnteresseerd zijn in de onderzoeksresultaten van Polyhedra kunnen ze hier vinden: https://eprint.iacr.org/2025/535.
Polyhedra’s “ZKpytorch” vertegenwoordigt een nieuwe hoeksteen in machine learning -beveiliging waar populaire modellen cryptografische integriteit kunnen bereiken zonder dat radicale revisie nodig is, waardoor ontwikkelaars een soepel pad bieden om een vertrouwenslaag in het aanbod te integreren.
- Grafiek voorbewerking: Begint met het aanpakken van de structurele factoren die van invloed zijn op machine learning-modellen om efficiënte nul-kenniscircuits op te leveren.
- Kwantisatie: De variabelen in modellen zijn afgestemd om zowel nauwkeurigheid als prestaties te verbeteren tijdens verificaties van nulkennis (ZKP).
- Circuitoptimalisatie: Maakt gebruik van regelmatige optimalisatiemethoden, waardoor het systeem onderliggende modellengegevens opnieuw in circuit wordt geveegd, vraagt de prestaties en efficiëntie binnen de computationele drempels.
Een opvallend kenmerk van ZKPyTorch is het vermogen om cryptografische verifieerbaarheid in de correctheid van de inferenties te garanderen, ontwikkelaars van de last te verlichten om constante controles en saldi te hebben en de behoefte aan extra beveiligingshulpmiddelen te elimineren die de efficiëntie van het belastingsysteem en de kosten kunnen belastingsystemen.
