El lanzamiento de Zkpytorch trae aprendizaje automático de conocimiento cero a los desarrolladores de Pytorch

• Polyhedra ha lanzado ZkpyTorch, permitiendo a los desarrolladores crear modelos verificables de aprendizaje automático utilizando el código Pytorch estándar.
• La herramienta convierte los modelos Pytorch en circuitos a prueba de conocimiento cero sin requerir experiencia criptográfica.
• ZkpyTorch admite privacidad, integridad del modelo y generación rápida para aplicaciones de IA a gran escala como LLAMA-3.

Polyhedra ha lanzado ZkpyTorch, una herramienta diseñada para hacer que el aprendizaje automático de conocimiento cero (ZKML) sea accesible para los desarrolladores utilizando el marco de Pytorch. El compilador traduce el código Pytorch estándar en circuitos de prueba de conocimiento cero (ZKP), lo que permite una inferencia de IA segura y verificable sin exponer datos del modelo confidencial o operaciones internas.

ZkpyTorch permite a los desarrolladores preservar la integridad de la salida de AI mientras mantiene intacta su propiedad intelectual. La herramienta utiliza técnicas criptográficas para mostrar que un modelo se ejecuta correctamente sin revelar parámetros del modelo o datos de capacitación. Dado que la biblioteca no requiere antecedentes en criptografía, se reduce la barrera para la adopción de áreas donde se maneja la información confidencial, como la atención médica y las finanzas.

Cómo ZkpyTorch optimiza la generación de prueba de IA

El marco incorpora tres módulos clave para operar los complejos cálculos de aprendizaje automático. El preprocesamiento del modelo con formato ONNX, para estandarizar la representación del gráfico ML es su comienzo.

El segundo módulo enseña cuantización de Zkfryly, reemplazando las operaciones de puntos flotantes con aritmética de campo finito. El último módulo teje la optimización del circuito en la que las tablas de búsqueda pueden manejar el procesamiento por lotes y las operaciones no lineales de manera eficiente.

La estructura del modelo utiliza gráficos acíclicos dirigidos (DAG) como base. Cada operación, como la multiplicación de matriz o RELU, está codificada como un nodo, lo que resulta en una traducción elegante y eficiente a los circuitos ZKP. Este diseño funciona incluso con modelos complejos como transformadores y resnets que se usan ampliamente en modelos de idiomas grandes (LLM).

Además, la ejecución del circuito paralelo y las optimizaciones basadas en FFT para capas convolucionales aceleran la generación de prueba. El hardware de múltiples núcleos permite a los desarrolladores aumentar el rendimiento y disminuir la latencia. Los puntos de referencia muestran los 8 mil millones de parámetros de Zkpytorch Processes de Llama-3 a una tasa de aproximadamente 150 segundos por token, conservando 99.32% de similitud de coseno con salidas originales.

Casos de uso del mundo real y direcciones futuras

Polyedra ve aplicaciones inmediatas en el aprendizaje automático verificable como servicio (MLAA), donde los modelos basados ​​en la nube ahora pueden proporcionar pruebas criptográficas de inferencia correcta. Los desarrolladores de IA conservan la confidencialidad del modelo, mientras que los usuarios aseguran que las salidas son válidas. ZkpyTorch también permite una valoración segura del modelo, brindando a las partes interesadas una forma confiable de evaluar el rendimiento del modelo sin arriesgar la exposición a datos propietarios.

La herramienta se integra con la Expchain de Polyhedra, que lleva ML verificable a los entornos blockchain. Esto abre la puerta para aplicaciones descentralizadas con IA con validación en cadena. En una entrevista reciente, señaló el fundador de Polyhedra, “Estamos apuntando al mercado multimillonario de pruebas de conocimiento cero. Nuestro objetivo es convertirnos en la capa fundamental de la tecnología blockchain y ampliar el uso de pruebas de ZK a sectores como la banca y otras áreas sensibles a la privacidad”.