Polyède a lancé Zkpytorch, un nouveau compilateur conçu pour transformer les modèles d’apprentissage automatique en preuves de connaissances zéro le 26 mars 2025. La version de Polyhedra permet d’exécuter avec précision les modèles d’IA et de vérifier leur intégrité maintenant que Zkpytorch apporte une assurance cryptographique aux processus normalement opaques de l’IA.
Des preuves de connaissances zéro plus rapides et plus efficaces pour l’apprentissage automatique surviennent à travers le compilateur ZkpyTorch, qui convertit les modèles Pytorch et ONNX en circuits sécurisés et économes en champ. La clé de son attrait est qu’il fait écho à la saisie du langage machine, en conservant les workflows de développement existants pour les ingénieurs plutôt que de les obliger à apprendre de nouveaux systèmes. «Zkpytorch donne aux agents de l’IA une identité», a expliqué Tiancheng Xie, co-fondateur de Polyhedra Network. « C’est un moyen de confiance et évolutif de garantir l’intégrité d’un agent AI sans réécrire votre pile AI », a ajouté Xie.
Pour accélérer la création de preuves de connaissances zéro pour l’apprentissage automatique, les modèles d’apprentissage automatique ordinaires n’ont pas besoin de personnalisation. Zkpytorch interagit avec le flux de travail de développement de Pytorch standard. Aux fins des moteurs ZKP, comme Expander (Prover à grande vitesse acclamé de Polyède), il génère des circuits natifs, prêts à déployer. Cela impliquait auparavant des modèles de recyclage ou de sur mesure. Essentiellement, ZkpyTorch optimise les sorties du modèle pour partager et comprendre clairement leur comportement tout en utilisant tous les points de données sans exposer les détails sensibles des données sous-jacentes.
Le pipeline de compilation ZkpyTorch améliore l’efficacité à travers les étapes ci-dessous:
- Prétraitement graphique: Plonge dans la partie structurelle des modèles d’apprentissage automatique pour les convertir en circuits plus performatifs de connaissances zéro qui sont plus efficaces sur les plates-formes de vérification ZKP de calcul.
- Quantification: L’amélioration de la précision du modèle pour l’apprentissage automatique rend les variables plus performantes.
- Optimisation du circuit: En optimisant régulièrement les pratiques, ZkpyTorch trouve des moyens efficaces de repenser les données sous-jacentes en tant que circuits dignes de preuve qui restent efficaces en termes de performances et d’exécution informatique dans ZKP.
Les compilateurs pour l’apprentissage automatique exécutent généralement les systèmes AI efficaces démarrés à l’aide de la version ZkpyTorch. Les numéros de performance se déroulent comme suit:
- VGG-16: 15 millions de paramètres et exécutent environ 2,2 secondes par preuve d’image avec le modèle exact, la sortie.
- Lama-3: Un modèle avec 8 milliards de paramètres a réduit à environ 150 secondes pour les preuves de documents par coût de jeton pour chaque preuve sur chaque débit.
Les performances ont été mesurées à l’aide d’un processeur monocore avec le backend d’expanseur pour récupérer la sortie précise et vous offrir les avantages appropriés pour la preuve.
Un avantage secondaire et clé est que ZkpyTorch garantit que l’exactitude de l’inférence est cryptographiquement vérifiable. Certaines des applications possibles comprennent:
- Normes d’identité: Une pile d’IA entièrement vérifiable garantit que ses résultats sont le produit d’agents d’IA dignes de confiance. Pour cette raison, un workflow de développement d’IA sécurisé peut créer des résultats rassurés et inviolables.
- AI financier et de santé: Les champs critiques partagent des informations et la sécurité qui peuvent créer des systèmes d’IA réactifs suffisamment sécurisés pour éviter les données sensibles qui divulguent.
- Conformité continue: Les nouvelles réglementations peuvent garantir que les modèles d’apprentissage automatique se conforment sans divulguer des informations commerciales clés qui restent logiques et fonctionnelles.
Les développeurs peuvent s’adapter rapidement à cette nouvelle norme avec ses kits de développement de logiciels Python et Rust (SDK). La documentation complète et le démarrage rapide détaillent comment les développeurs peuvent passer de manière transparente des méthodologies traditionnelles d’apprentissage automatique à cette nouvelle intégration à connaissance zéro. Polyède est une force révolutionnaire dans ce nouveau domaine, s’appuyant sur l’expertise des chefs de file de l’industrie dans la sécurité de la blockchain et l’IA.
Articles, détails de la recherche et code source: ceux qui s’intéressent aux résultats de la recherche de Polyhedra peuvent les trouver ici: https://eprint.iacr.org/2025/535.
Le «Zkpytorch» de Polyhedra représente une nouvelle pierre angulaire dans la sécurité d’apprentissage automatique où les modèles populaires peuvent atteindre l’intégrité cryptographique sans avoir besoin de révisions radicales, offrant un chemin fluide aux développeurs pour intégrer une couche de confiance dans les offres.
- Prétraitement graphique: Commence en abordant les facteurs structurels qui influencent les modèles d’apprentissage automatique à produire des circuits efficaces de connaissances zéro.
- Quantification: Fonctionne les variables figurant dans des modèles pour améliorer la précision et les performances lors des vérifications de preuve de connaissance zéro (ZKP).
- Optimisation du circuit: Utilise des méthodes d’optimisation régulières, permettant au système de repeindre les données sous-jacentes du modèle dans les invites de circuit qui équilibrent les performances et l’efficacité dans les seuils de calcul.
Une caractéristique remarquable de Zkpytorch est sa capacité à garantir la vérifiabilité cryptographique de l’exactitude de l’inférence, de soulager les développeurs de la charge d’avoir des vérifications et des équilibres constants et d’éliminer le besoin d’outils de sécurité supplémentaires qui pourraient fiscaliser l’efficacité et le coût du système.