A Polyedra lançou o ZKPytorch, um novo compilador projetado para transformar modelos de aprendizado de máquina em provas de conhecimento zero em 26 de março de 2025. O lançamento da Polyedra torna possível executar modelos de IA com precisão e verificar seus processos de integridade agora que o ZKPytorch traz uma garantia criptográfica aos processos normalmente de opa da IA.
As provas de conhecimento zero mais rápido e mais eficiente para aprendizado de máquina surgem através do compilador ZKPytorch, que converte modelos Pytorch e ONNX em circuitos de conhecimento zero seguro e com eficiência de campo. A chave para o seu apelo é que ele ecoa digitar linguagem de máquina, mantendo os fluxos de trabalho de desenvolvimento existentes para os engenheiros, em vez de exigir que eles aprendam novos sistemas. “O ZKPytorch oferece aos agentes da IA uma identidade”, explicou Tiancheng Xie, co-fundador da Polyhedra Network. “É uma maneira confiável e escalável de garantir a integridade de um agente de IA sem reescrever sua pilha de IA”, acrescentou Xie.
Para acelerar a criação de provas de conhecimento zero para aprendizado de máquina, os modelos comuns de aprendizado de máquina não precisam de personalização. O ZKPytorch interage com o fluxo de trabalho de desenvolvimento Pytorch padrão. Para os fins de motores ZKP, como o Expander (aclamado provador de alta velocidade da Polyedra), gera nativo, pronto para implantar circuitos. Isso envolveu anteriormente os modelos de reciclagem ou sob medida. Essencialmente, o ZKPytorch otimiza as saídas do modelo para compartilhar e entender seu comportamento claramente, utilizando todos os pontos de dados sem expor os detalhes sensíveis dos dados subjacentes.
O pipeline de compilação ZKPytorch melhora a eficiência através das etapas abaixo:
- Gráfico de pré -processamento: Dera para a porção estrutural dos modelos de aprendizado de máquina para convertê-los em circuitos de conhecimento zero mais performativo que são mais eficientes nas plataformas de verificação do ZKP computacional.
- Quantização: O aprimoramento da precisão do modelo para o aprendizado de máquina torna as variáveis mais executivas.
- Otimização do circuito: Ao otimizar regularmente as práticas, o ZKPytorch encontra maneiras eficazes de renderia os dados subjacentes como circuitos dignos de prova que permanecem eficientes em termos de desempenho e execução computacional no ZKP.
Os compiladores para aprendizado de máquina normalmente executam os sistemas de IA iniciados eficientes usando a liberação do ZKPytorch. Os números de desempenho se desenrolam da seguinte forma:
- VGG-16: 15 milhões de parâmetros e executa aproximadamente 2,2 segundos por prova de imagem com o modelo exato, saída.
- Lhama-3: Um modelo com 8 bilhões de parâmetros reduzidos a aproximadamente 150 segundos para provas de documentos por custo do token para cada prova em cada taxa de transferência.
O desempenho foi medido usando uma CPU de núcleo único com o back-end do expansor para recuperar a saída precisa e fornecer os benefícios apropriados para a prova.
Uma segunda e chave-vantagem é que o ZKPytorch garante que a correção da inferência seja verificável criptograficamente. Algumas das aplicações possíveis incluem:
- Padrões de identidade: Uma pilha de IA totalmente verificável garante que seus resultados sejam o produto de agentes de IA confiáveis. Por esse motivo, um fluxo de trabalho de desenvolvimento seguro de IA pode criar resultados tranquilos e evidentes.
- Ai financeira e de saúde: Os campos críticos compartilham insights e segurança que podem criar sistemas de IA responsivos seguros o suficiente para evitar vazamentos de dados confidenciais.
- Conformidade contínua: Novos regulamentos podem garantir que os modelos de aprendizado de máquina cumpram as principais informações comerciais que permanecem lógicas e funcionais.
Os desenvolvedores podem se adaptar rapidamente a esse novo padrão com seus kits de desenvolvimento de software Python e Rust (SDK). A documentação completa e as partidas rápidas detalham como os desenvolvedores podem fazer a transição perfeitamente das metodologias tradicionais de aprendizado de máquina para essa nova integração zero-conhecimento. Polyhedra é uma força inovadora neste novo campo, com base em conhecimentos de líderes do setor em segurança de blockchain e IA.
Documentos, detalhes da pesquisa e código -fonte: os interessados nas conclusões da pesquisa da Polyedra podem encontrá -los aqui: https://eprint.iacr.org/2025/535.
O “ZKPytorch” da Polyedra representa uma nova pedra angular na segurança de aprendizado de máquina, onde modelos populares podem obter integridade criptográfica sem a necessidade de revisões radicais, fornecendo um caminho suave para os desenvolvedores integrarem uma camada de confiança nas ofertas.
- Gráfico de pré -processamento: Começa abordando os fatores estruturais que influenciam os modelos de aprendizado de máquina para produzir circuitos eficientes de conhecimento zero.
- Quantização: Tunes finas As variáveis apresentadas nos modelos para melhorar a precisão e o desempenho durante as verificações de prova de conhecimento zero (ZKP).
- Otimização do circuito: Emprega métodos de otimização regular, permitindo que o sistema repiente os dados do modelo subjacente ao circuito solicite que o equilíbrio de desempenho e eficiência dentro dos limiares computacionais.
Um recurso de destaque do ZKPytorch é sua capacidade de garantir a verificabilidade criptográfica na correção de inferência, aliviando os desenvolvedores do ônus de ter constantes verificações e saldos e eliminar a necessidade de ferramentas de segurança extras que possam tributar a eficiência e o custo do sistema.
