Polyhedra ha lanciato Zkpytorch, un nuovo compilatore progettato per trasformare i modelli di apprendimento automatico in prove a conoscenza zero il 26 marzo 2025. Il rilascio di Polyhedra consente di eseguire modelli di intelligenza artificiale in modo accurato e verificare la loro integrità ora che Zkpytorch porta l’assicurazione crittografica ai processi normalmente opachi di AI.
Prove più veloci ed efficienti per la conoscenza zero per l’apprendimento automatico sorgono attraverso il compilatore Zkpytorch, che converte i modelli Pytorch e Onnx in circuiti sicuri a conoscenza zero. La chiave del suo appello è che fa eco a digitare la lingua macchina, mantenendo flussi di lavoro di sviluppo esistenti per gli ingegneri piuttosto che richiederli per imparare nuovi sistemi. “Zkpytorch dà agli agenti AI un’identità”, ha spiegato Tiancheng Xie, co-fondatore di Polyhedra Network. “È un modo affidabile e scalabile per garantire l’integrità di un agente di intelligenza artificiale senza riscrivere il tuo stack di AI”, ha aggiunto Xie.
Per accelerare la creazione di prove a conoscenza zero per l’apprendimento automatico, i normali modelli di apprendimento automatico non hanno bisogno di personalizzazione. Zkpytorch interagisce con il flusso di lavoro di sviluppo di Pytorch standard. Ai fini dei motori ZKP, come l’espansore (acclamato proverto ad alta velocità di Polyhedra), genera nativo, pronto a distribuire circuiti. Ciò in precedenza prevedeva la riqualificazione o i modelli su misura. In sostanza, Zkpytorch ottimizza gli output del modello per la condivisione e la comprensione chiaramente il loro comportamento, utilizzando tutti i punti dati senza esporre i dettagli sensibili dei dati sottostanti.
La pipeline di compilazione Zkpytorch migliora l’efficienza attraverso i passaggi seguenti:
- Preprocesso di grafico: Ampia la parte strutturale dei modelli di apprendimento automatico per convertirli in circuiti più performativi a conoscenza zero che sono più efficienti sulle piattaforme di verifica computazionale ZKP.
- Quantizzazione: Il miglioramento dell’accuratezza del modello per l’apprendimento automatico rende le variabili più performanti.
- Ottimizzazione del circuito: Ottimizzando regolarmente le pratiche, Zkpytorch trova modi efficaci per riesaminare i dati sottostanti come circuiti degni di prova che rimangono efficienti in termini di prestazioni e esecuzione computazionale in ZKP.
I compilatori per l’apprendimento automatico in genere eseguono i sistemi di intelligenza artificiale iniziati efficienti utilizzando il rilascio di Zkpytorch. I numeri di prestazione si svolgono come segue:
- VGG-16: 15 milioni di parametri ed esegue circa 2,2 secondi per prova dell’immagine con il modello esatto, output.
- Llama-3: Un modello con 8 miliardi di parametri ridotto a circa 150 secondi per le prove di documenti per costo token per ogni prova su ogni throughput.
Le prestazioni sono state misurate utilizzando una CPU a core singolo con il backend di espansione per recuperare l’output accurato e fornire i benefici appropriati per la prova.
Un secondo e un vantaggio chiave è che Zkpytorch garantisce che la correttezza dell’inferenza sia crittograficamente verificabile. Alcune delle possibili applicazioni includono:
- Standard di identità: Uno stack di intelligenza artificiale completamente verificabile garantisce che i suoi risultati siano il prodotto di agenti di intelligenza artificiale affidabili. Per questo motivo, un flusso di lavoro di sviluppo AI sicuro può creare risultati rassicurati e evidenti.
- AI finanziario e sanitario: I campi critici condividono approfondimenti e sicurezza che possono creare sistemi di intelligenza artificiale reattivi abbastanza sicuri da impedire che perdite dati sensibili.
- Conformità continua: Nuove normative possono garantire che i modelli di apprendimento automatico siano conformi senza perdite di informazioni sul business chiave che rimangono logiche e funzionali.
Gli sviluppatori possono adattarsi rapidamente a questo nuovo standard con i suoi kit di sviluppo del software Python e Rust (SDK). La documentazione completa e le parti rapide dettagliano il modo in cui gli sviluppatori possono passare perfettamente dalle tradizionali metodologie di apprendimento automatico a questa nuova integrazione a conoscenza zero. Polyhedra si erge come una forza rivoluzionaria in questo nuovo campo, basandosi sulle competenze dei leader del settore nella sicurezza blockchain e nell’intelligenza artificiale.
Documenti, dettagli di ricerca e codice sorgente: coloro che sono interessati ai risultati della ricerca di Polyhedra possono trovarli qui: https://eprint.iacr.org/2025/535.
“Zkpytorch” di Polyhedra rappresenta una nuova pietra angolare nella sicurezza dell’apprendimento automatico in cui i modelli popolari possono raggiungere l’integrità crittografica senza la necessità di revisioni radicali, fornendo un percorso regolare per gli sviluppatori per integrare uno strato di fiducia nelle offerte.
- Preprocesso di grafico: Inizia affrontando i fattori strutturali che influenzano i modelli di apprendimento automatico a produrre circuiti efficienti di conoscenza zero.
- Quantizzazione: Fine-tunes Le variabili presentate in modelli per migliorare sia l’accuratezza che le prestazioni durante le verifiche di Zk-Knowledge Proof (ZKP).
- Ottimizzazione del circuito: Impiega metodi di ottimizzazione regolari, consentendo al sistema di ridipingere i dati del modello sottostanti in istruzioni a circuiti che bilanciano prestazioni e efficienza all’interno delle soglie computazionali.
Una caratteristica straordinaria di Zkpytorch è la sua capacità di garantire la verifica delle crittografiche nella correttezza dell’inferenza, alleviando gli sviluppatori dell’onere di avere controlli e saldi costanti ed eliminando la necessità di strumenti di sicurezza extra che potrebbero tassare l’efficienza e il costo del sistema.
