Polyhedra lanzó Zkpytorch, un nuevo compilador diseñado para transformar modelos de aprendizaje automático en pruebas de conocimiento cero el 26 de marzo de 2025. El lanzamiento por poliedra hace posible ejecutar modelos de IA con precisión y verificar su integridad ahora que ZkpyTorch brinda la seguridad criptográfica a los procesos normalmente opacos de AI.
Las pruebas de conocimiento cero más rápidas y eficientes para el aprendizaje automático surgen a través del compilador ZkpyTorch, que convierte los modelos Pytorch y ONNX en circuitos seguros y eficientes en el campo. La clave de su atractivo es que se hace eco de escribir el idioma de la máquina, reteniendo los flujos de trabajo de desarrollo existentes para los ingenieros en lugar de exigirles que aprendan nuevos sistemas. «Zkpytorch le da a los agentes de IA una identidad», explicó Tiangeng Xie, cofundador de Polyhedra Network. «Es una forma confiable y escalable de garantizar la integridad de un agente de IA sin reescribir su pila de IA», agregó Xie.
Para acelerar la creación de pruebas de conocimiento cero para el aprendizaje automático, los modelos de aprendizaje automático ordinario no necesitan personalización. Zkpytorch interactúa con el flujo de trabajo de desarrollo de Pytorch estándar. A los efectos de los motores ZKP, como Expander (el aclamado Prover de alta velocidad de Poliedra), genera circuitos nativos, listos para implementar. Esto previamente implicaba reentrenamiento o modelos a medida. Esencialmente, ZkpyTorch optimiza los resultados del modelo para compartir y comprender su comportamiento claramente mientras utiliza todos los puntos de datos sin exponer los detalles confidenciales de los datos subyacentes.
La tubería de compilación ZkpyTorch mejora la eficiencia a través de los pasos a continuación:
- Preprocesamiento de gráficos: Profundiza en la parte estructural de los modelos de aprendizaje automático para convertirlos en circuitos de conocimiento cero más performativos que son más eficientes en las plataformas de verificación ZKP computacionales.
- Cuantización: Mejorar la precisión del modelo para el aprendizaje automático hace que las variables sean más desempeñadas.
- Optimización del circuito: Al optimizar regularmente las prácticas, Zkpytorch encuentra formas efectivas de repitir los datos subyacentes como circuitos dignos de prueba que siguen siendo eficientes en términos de rendimiento y ejecución computacional en ZKP.
Los compiladores para el aprendizaje automático generalmente ejecutan los sistemas de IA eficientes comenzados utilizando la liberación de ZkpyTorch. Los números de rendimiento se desarrollan de la siguiente manera:
- VGG-16: 15 millones de parámetros y ejecuta aproximadamente 2.2 segundos por prueba de imagen con el modelo exacto, salida.
- LLAMA-3: Un modelo con 8 mil millones de parámetros reducido a aproximadamente 150 segundos para pruebas de documentos por costo de token para cada prueba en cada rendimiento.
El rendimiento se midió utilizando una CPU de un solo núcleo con el backend del expansor para recuperar la salida precisa y proporcionarle los beneficios apropiados para la prueba.
Una ventaja de segunda y clave es que Zkpytorch asegura que la corrección de inferencia sea criptográficamente verificable. Algunas de las posibles aplicaciones incluyen:
- Estándares de identidad: Una pila de IA totalmente verificable asegura que sus resultados sean el producto de agentes de IA confiables. Debido a esto, un flujo de trabajo de desarrollo de IA seguro puede crear resultados tranquilos y evidentes de manipulación.
- AI financiero y de atención médica: Los campos críticos comparten ideas y seguridad que pueden crear sistemas de IA receptivos lo suficientemente seguros como para evitar la fuga de datos confidenciales.
- Cumplimiento continuo: Las nuevas regulaciones pueden garantizar que los modelos de aprendizaje automático cumplan sin filtrar información comercial clave que siga siendo lógica y funcional.
Los desarrolladores pueden adaptarse rápidamente a este nuevo estándar con sus kits de desarrollo de software Python and Rust (SDK). La documentación completa y las inicio rápido detallan cómo los desarrolladores pueden hacer la transición sin problemas de las metodologías tradicionales de aprendizaje automático a esta nueva integración de conocimiento cero. Polyedra se erige como una fuerza innovadora en este nuevo campo, basándose en la experiencia de los líderes de la industria en Blockchain Security and AI.
Documentos, detalles de la investigación y código fuente: aquellos interesados en los resultados de la investigación de Polyhedra pueden encontrarlos aquí: https://eprint.iac.org/2025/535.
«ZkpyTorch» de Polyhedra representa una nueva piedra angular en la seguridad del aprendizaje automático donde los modelos populares pueden lograr la integridad criptográfica sin la necesidad de revisiones radicales, proporcionando un camino suave para que los desarrolladores integren una capa de confianza en las ofertas.
- Preprocesamiento de gráficos: Comienza abordando los factores estructurales que influyen en los modelos de aprendizaje automático para producir circuitos eficientes de conocimiento cero.
- Cuantización: Ajunas Las variables presentadas en los modelos para mejorar tanto la precisión como el rendimiento durante las verificaciones de prueba de conocimiento cero (ZKP).
- Optimización del circuito: Emplea métodos de optimización regulares, lo que permite al sistema volver a pintar los datos del modelo subyacente en las indicaciones del circuito que equilibran el rendimiento y la eficiencia dentro de los umbrales computacionales.
Una característica destacada de ZKPyTorch es su capacidad para garantizar la verificabilidad criptográfica en la corrección de la inferencia, aliviar a los desarrolladores de la carga para tener controles y equilibrios constantes y eliminar la necesidad de herramientas de seguridad adicionales que puedan imponerle la eficiencia y el costo del sistema.
