Polyhedra于2025年3月26日推出了Zkpytorch，旨在将机器学习模型转换为零知识证明的新编译器。Polyhedra的发布使得可以准确运行AI模型并验证其完整性，因为Zkpytorch为AI的正常不透明的流程带来了密码。
通过Zkpytorch编译器出现了更快，更有效的机器学习零知识证明，该编译器将Pytorch和ONNX模型转换为安全，现场有效的零知识电路。其吸引力的关键是，它回应打字机器语言，保留工程师的现有开发工作流程，而不是要求他们学习新系统。 Polyhedra Network的联合创始人Tiancheng Xie解释说：“ Zkpytorch为AI代理人提供了身份。” Xie补充说：“这是一种可信赖且可扩展的方法，可以保证无需重写您的AI堆栈的AI代理的完整性。”
为了加快用于机器学习的零知识证明的创建，普通的机器学习模型不需要自定义。 Zkpytorch与标准的Pytorch开发工作流程相互作用。出于ZKP发动机的目的，例如Expander（Polyhedra广受好评的高速宣传员），它会生成本机，准备部署电路。这先前涉及重新培训或定制模型。从本质上讲，Zkpytorch优化了模型输出，以清楚地共享和理解其行为，同时使用所有数据点，而无需公开基础数据的敏感细节。
Zkpytorch编译管道通过以下步骤提高效率：
- 图预处理： 深入研究机器学习模型的结构部分，以将其转换为更具性能的零知识电路，这些电路在计算ZKP验证平台上更有效。
- 量化： 提高机器学习的模型精度使变量更具性能。
- 电路优化： 通过定期优化实践，Zkpytorch找到了有效的方法来将基础数据作为值得证明的电路，这些电路在ZKP中的性能和计算执行方面保持有效。
用于机器学习的编译器通常使用Zkpytorch版本运行有效的AI系统。性能数量如下：
- VGG-16： 1500万个参数，每个图像证明约2.2秒，并使用确切的模型输出。
- Llama-3： 每次吞吐量上每个证明的每个标记成本的文档证明，具有80亿个参数的模型减少到大约150秒。
使用带有扩展器后端的单核CPU测量性能，以检索准确的输出，并为您提供适当的证明利益。
第二和键的优势是Zkpytorch确保推理正确性在密码上可验证。一些可能的应用程序包括：
- 身份标准： 完全可验证的AI堆栈可确保其结果是值得信赖的AI代理的产物。因此，安全的AI开发工作流可以创造放心的，篡改的结果。
- 财务和医疗保健AI： 关键领域共享洞察力和安全性，可以创建响应式AI系统，以防止泄漏敏感数据。
- 连续合规： 新法规可以确保机器学习模型遵守，而不会泄漏保持逻辑和功能的关键业务信息。
开发人员可以使用其Python和Rust Software开发套件（SDK）迅速适应这一新标准。完整的文档和快速启动详细介绍了开发人员如何从传统的机器学习方法无缝过渡到这种新的零知识集成。波利德拉（Polyhedra）是这个新领域的开创性力量，基于区块链安全和AI行业领导者的专业知识。
论文，研究细节和来源代码：对Polyhedra的研究发现感兴趣的人可以在这里找到：https：//eprint.iacr.org/2025/535。
Polyhedra的“ Zkpytorch”代表了机器学习安全中的一个新基石，在该安全性中，流行模型可以实现加密完整性而无需进行激进的大修，为开发人员提供了一条平稳的路径，可以将信任层整合到产品中。
- 图预处理： 通过解决影响机器学习模型的结构因素开始，以产生有效的零知识电路。
- 量化： 微调模型中的变量，以提高零知识证明（ZKP）验证期间的精度和性能。
- 电路优化： 采用常规优化方法，允许系统将基础模型数据重新粉刷为电路，这提示了计算阈值内的性能和效率。
Zkpytorch的一个出色功能是其能够确保推理正确性的加密性验证能力，使开发人员负担不断进行制衡，并消除对可能征税效率和成本征税的额外安全工具的需求。
