Geschrieben von: Maggie, Foresight Research
ZKML (Zero Knowledge Machine Learning) ist eine Technologie, die Zero-Knowledge-Proof für maschinelles Lernen nutzt. ZKML ist eine Brücke zwischen KI und Blockchain. ZKML kann das Problem des Datenschutzes von KI-Modellen/-Eingaben und das Problem des überprüfbaren Argumentationsprozesses lösen, sodass kleine Modelle oder abgeleitete ZKP in die Kette eingefügt werden können. Die Bedeutung des Modell-/Inferenznachweises in der Kette ist:
Lassen Sie die Blockchain die physische Welt wahrnehmen. Zum Beispiel: Ein auf der Blockchain laufendes Gesichtserkennungsmodell kann das Gesicht der Blockchain erkennen. Durch das KI-Modell auf der Blockchain kann die Blockchain erkennen, dass es sich bei dem Gesicht möglicherweise um das einer Frau handelt und wie alt sie ungefähr ist.
Lassen Sie intelligente Verträge Entscheidungen treffen. Zum Beispiel: Das WETH-Preisvorhersagemodell in der Kette kann Smart Contracts dabei helfen, Handelsentscheidungen zu treffen.
Führen Sie KI-Modelle privat aus. Beispiel: Ein Unternehmen wendet viel Rechenleistung auf, um ein Modell zu trainieren und hofft, Inferenzdienste auf datenschutzfreundliche Weise bereitzustellen, oder die Benutzereingaben möchten die Privatsphäre gewährleisten. Die Verwendung von ZKML kann nicht nur den Modell-/Eingabeschutz gewährleisten, sondern den Benutzern auch beweisen, dass die Schlussfolgerung korrekt ausgeführt wird, wodurch eine vertrauenswürdige Schlussfolgerung erreicht wird.
Anwendung von ZKML
On-Chain-KI: Platzieren Sie das KI-Modell/KI-Argumentationsbeweis in der Kette, damit intelligente Verträge KI zur Entscheidungsfindung nutzen können. Beispielsweise wird das On-Chain-Handelssystem für On-Chain-Investitionsentscheidungen genutzt.
Sich selbst verbessernde Blockchain: Ermöglichen Sie der Blockchain, KI-Funktionen zu nutzen, um Strategien basierend auf historischen Daten kontinuierlich zu verbessern und zu überarbeiten. Zum Beispiel ein KI-basiertes On-Chain-Reputationssystem.
AIGC on-chain: Die von AIGC generierten Inhalte/Grafiken werden auf Mint in NFT hochgeladen, und ZK kann die Korrektheit des Prozesses nachweisen. Im Datensatz werden keine urheberrechtlich geschützten Bilder usw. verwendet.
Biometrische Authentifizierung (KYC) des Wallets: Der Nachweis der Gesichtserkennung befindet sich in der Kette und das Wallet vervollständigt KYC.
KI-Sicherheit: Nutzen Sie KI zur Betrugserkennung, zur Verhinderung von Hexenangriffen usw.
On-Chain-ZKML-Spiele: On-Chain-Schachspieler mit künstlicher Intelligenz, neuronale Netzwerk-gesteuerte NFT-Charaktere usw.
ZKML technisch
Ziel: Neuronale Netze in ZK-Schaltkreise umwandeln. Schwierigkeiten: 1. ZK-Schaltkreise unterstützen keine Gleitkommazahlen. 2. Zu große neuronale Netze sind schwer umzuwandeln.
Aktueller Fortschritt:
Die früheste ZKML-Bibliothek entstand vor zwei Jahren und die Entwicklungsgeschichte der gesamten Technologie ist sehr kurz. Derzeit unterstützt die neueste ZKML-Bibliothek einige einfache ZKisierungen neuronaler Netze und wird auf die Blockchain angewendet. Es wird gesagt, dass grundlegende lineare Regressionsmodelle in die Kette eingefügt werden können und andere Arten kleinerer neuronaler Netzwerkmodelle den Nachweis unterstützen können, dass sie in die Kette eingefügt werden. Aber ich habe nur sehr wenige Demos gesehen, und ich habe nur eine handschriftliche Nummernerkennung gesehen.
Einige Tools sollen 100 Millionen Parameter unterstützen, andere behaupten, GPT2 in ZK-Schaltkreise umwandeln und ZK-Zertifikate generieren zu können.
Entwicklungsrichtung:
Die Netzwerkquantisierung (Netzwerkquantisierung) wandelt Gleitkommazahlen in neuronalen Netzen in Festkommazahlen und leichte neuronale Netze (ZK-freundlich) um.
Versuchen Sie, neuronale Netze mit großen Parametern in ZK-Schaltkreise umzuwandeln und die Beweiseffizienz zu verbessern (ZK-Funktionen erweitern).
Zusammenfassen:
ZKML ist eine Brücke zwischen KI und Blockchain. Seine Bedeutung liegt darin, der Blockchain die Wahrnehmung der physischen Welt zu ermöglichen, es intelligenten Verträgen zu ermöglichen, Entscheidungen zu treffen und KI-Modelle zum Schutz der Privatsphäre auszuführen.
Diese Technologie hat eine kurze Geschichte, entwickelt sich jedoch schnell weiter. Derzeit können einige einfache neuronale Netzwerkmodelle in ZK-Schaltkreise umgewandelt und die Modelle hochgeladen oder Inferenznachweise hochgeladen werden. Allerdings ist die Sprache derzeit relativ schwierig. Ddkang/zkml behauptet, dass sie die ZK-Version von GPT2-, Bert- und Diffusion-Modellen zur Verarbeitung natürlicher Sprache generieren kann, der tatsächliche Effekt ist jedoch unklar in die Kette hochgeladen. Es wird angenommen, dass mit der Entwicklung der Netzwerkvolumentechnologie, der ZK-Technologie und der Blockchain-Erweiterungstechnologie das ZKML-Sprachmodell bald verfügbar sein wird.
1. Hintergrund
(Wenn Sie etwas über ZK und ML wissen, können Sie dieses Kapitel überspringen.)
Wissensfreier Beweis (ZK): Wissensfreier Beweis bedeutet, dass der Beweiser den Prüfer davon überzeugen kann, dass eine bestimmte Behauptung korrekt ist, ohne dem Prüfer nützliche Informationen bereitzustellen. ZK wird hauptsächlich verwendet, um nachzuweisen, dass der Berechnungsprozess korrekt durchgeführt wurde, und um die Privatsphäre zu schützen.
Beweisen Sie die Richtigkeit des Berechnungsprozesses: Nehmen Sie ZK-Rollup als Beispiel. Der Vorgang von ZK-Rollup besteht einfach darin, mehrere Transaktionen zusammenzufassen, sie in L1 zu veröffentlichen und gleichzeitig einen Beweis zu veröffentlichen (unter Verwendung einer wissensfreien Proof-Technologie). ), um diese Transaktionen als gültig zu beanspruchen. Sobald auf L1 überprüft wurde, dass sie tatsächlich gültig sind, wird der Status von zk-rollup aktualisiert.
Datenschutz: Nehmen Sie das Aztec-Protokoll als Beispiel. Die Vermögenswerte auf Aztecs zk.money liegen in Form von Rechnungen vor, ähnlich wie bei Bitcoins UTXO. Wenn der Benutzer Geld überweisen muss, muss dies geschehen vernichtet und eine neue Rechnung erstellt werden. Der Zahlungsempfänger und Sie selbst (Rückgeld geben). Der wissensfreie Nachweis dient dem Schutz der Privatsphäre und dem Nachweis, dass die Menge der zerstörten und neu erstellten Notizen gleich ist und der Benutzer das Recht hat, die Notizen zu kontrollieren.
Maschinelles Lernen: Maschinelles Lernen ist ein Zweig der künstlichen Intelligenz. Die Theorie des maschinellen Lernens umfasst hauptsächlich den Entwurf und die Analyse von Algorithmen, die es Computern ermöglichen, automatisch zu „lernen“. Algorithmen für maschinelles Lernen analysieren und ermitteln automatisch Muster aus Daten und nutzen die Muster, um unbekannte Daten vorherzusagen. Maschinelles Lernen wird häufig in Bereichen wie Computer Vision, Verarbeitung natürlicher Sprache, biometrische Identifizierung, Suchmaschinen, medizinische Diagnose, Erkennung von Kreditkartenbetrug, Wertpapiermarktanalyse, DNA-Sequenzsequenzierung, Sprach- und Handschrifterkennung, Spiele und Roboter eingesetzt.
2. Welche Probleme löst ZKML?
ZKML ist ein Forschungs- und Entwicklungsgebiet, das in den letzten zwei Jahren in der Kryptographie-Community für Aufsehen gesorgt hat. Verwendung von wissensfreien Beweisen für maschinelles Lernen
Das Hauptziel dieser Technologie besteht darin, wissensfreie Beweise zu verwenden, um die Datenschutz- und Überprüfbarkeitsprobleme des maschinellen Lernens zu lösen. Dadurch können kleine Modelle oder abgeleitete ZKPs in die Kette eingefügt werden und eine Brücke zwischen KI und Blockchain werden:
Modell in der Kette: ML-Modelle können in ZK-Schaltkreise umgewandelt werden und kleine ZKML-Modelle können in Smart Contracts auf der Blockchain gespeichert werden. Benutzer können das Modell verwenden, indem sie Smart-Contract-Methoden aufrufen. RockyBot von Modulus Labs hat beispielsweise ein On-Chain-KI-Modell entwickelt, um den Preis von WETH für Handelsentscheidungen vorherzusagen.
Die Argumentation und der Beweis des Modells werden in die Kette hochgeladen: Konvertieren Sie das ML-Modell in eine ZK-Schaltung, führen Sie die Argumentation außerhalb der Kette durch und generieren Sie einen ZK-Beweis. Der ZK-Beweis kann beweisen, dass der Argumentationsprozess korrekt durchgeführt wurde. Die Inferenzergebnisse und der ZK-Beweis werden zur Referenz des Anrufers und zur Überprüfung des Beweises durch den Smart Contract an die Kette übermittelt.
Welchen Sinn hat es, Modell-/Inferenzbeweise in die Kette einzubauen?
Lassen Sie die Blockchain die physische Welt wahrnehmen. Beispiel: Ein auf der Blockchain laufendes Gesichtserkennungsmodell kann das Gesicht der Blockchain erkennen. Durch das KI-Modell auf der Blockchain kann die Blockchain erkennen, dass das Gesicht möglicherweise das einer Frau ist, wie alt es ist usw.
Lassen Sie intelligente Verträge Entscheidungen treffen. Zum Beispiel: Das WETH-Preisvorhersagemodell in der Kette kann Smart Contracts dabei helfen, Handelsentscheidungen zu treffen.
Führen Sie KI-Modelle privat aus. Beispiel: Ein Unternehmen wendet viel Rechenleistung auf, um ein Modell zu trainieren und hofft, Inferenzdienste auf datenschutzfreundliche Weise bereitzustellen, oder die Benutzereingaben möchten die Privatsphäre gewährleisten. Die Verwendung von ZKML kann nicht nur den Datenschutz von Modellen/Eingaben gewährleisten, sondern den Benutzern auch beweisen, dass die Schlussfolgerung korrekt ausgeführt wird, wodurch eine vertrauenswürdige Schlussfolgerung erreicht wird.
Die Rolle des wissensfreien Beweisnachweises in ZKML:
Datenschutz: Schützen Sie die Privatsphäre der Eingabedaten im ML-Modell oder Vorhersageprozess.
Datenschutz (öffentliches Modell + private Daten): Ich habe einige sensible Daten, wie medizinische Daten, Gesichtsbilder usw. Ich kann ZKML verwenden, um die Vertraulichkeit von Eingabedaten zu schützen, ein öffentliches neuronales Netzwerkmodell für diese Daten auszuführen und die Ergebnisse zu erhalten. Zum Beispiel Gesichtserkennungsmodelle,
Datenschutz des Modells (Privates Modell + öffentliche Daten): Ich habe beispielsweise viel Geld ausgegeben, um ein Modell zu trainieren. Ich möchte mein Modell nicht preisgeben, daher muss ich die Privatsphäre des Modells schützen. Ich kann ZKML verwenden, um ein datenschutzschonendes privates neuronales Netzwerkmodell auszuführen, das über öffentliche Eingaben nachdenken und Ausgaben erhalten kann.
Überprüfbarkeit: Verwenden Sie ZKP, um die korrekte Ausführung des ML-Argumentationsprozesses zu beweisen und den maschinellen Lernprozess überprüfbar zu machen.
Angenommen, die Ausführung des Modells erfolgt nicht auf meinem Server, ich muss jedoch sicherstellen, dass die Inferenz korrekt ausgeführt wird. Ich kann ZKML verwenden, um eine Schlussfolgerung für eine bestimmte Eingabe und ein bestimmtes Modell durchzuführen, und es erzeugt eine Ausgabe. Auch wenn der laufende Prozess nicht auf meinem Computer ausgeführt wird, kann ich überprüfen, ob die Schlussfolgerung korrekt ist indem Sie ZKP überprüfen und somit an das Ergebnis glauben.
3. Anwendungsfälle für ZKML
rechnerische Integrität
On-Chain-KI: Der Einsatz des KI-Modells auf der Blockchain ermöglicht Smart Contracts die Entscheidungsfindung über das KI-Modell.
Modulus Labs: RockyBot On-Chain überprüfbarer ML-Handelsbot (überprüfbarer Handelsbot für maschinelles Lernen auf der Blockchain)
Sich selbst verbessernde Blockchain: Ermöglichen Sie der Blockchain, KI-Funktionen zu nutzen, um Strategien basierend auf historischen Daten kontinuierlich zu verbessern und zu überarbeiten.
Das AMM von Lyra Finance ist mit künstlicher Intelligenz ausgestattet.
Erstellen Sie ein KI-basiertes Reputationssystem für Astraly.
Erstellen Sie intelligente KI-basierte Compliance-Funktionen auf Vertragsebene für das Aztec-Protokoll
Modulus Labs: Blockchains, die sich selbst verbessern (Link):
AIGC on-chain: Die von AIGC generierten Inhalte/Grafiken werden auf Mint in NFT hochgeladen, und ZK kann die Korrektheit des Prozesses nachweisen. Im Datensatz werden keine urheberrechtlich geschützten Bilder usw. verwendet.
Transparenz zu ML as a Service (MLaaS) (Link)
KI-Sicherheit: Nutzen Sie KI zur Betrugserkennung, zur Verhinderung von Hexenangriffen usw. Trainieren Sie das KI-Anomalieerkennungsmodell basierend auf intelligenten Vertragsdaten. Wenn der Indikator abnormal ist, wird der Vertrag ausgesetzt und ZK wird zur Durchführung der Anomalieerkennung verwendet, um zu beweisen, dass er in die Kette hochgeladen wurde.
On-Chain-ZKML-Spiele: On-Chain-Schachspieler mit künstlicher Intelligenz, neuronale Netzwerk-gesteuerte NFT-Charaktere usw.
Überprüfbare Benchmark-Tests für KI-Modelle: Verwenden Sie ZK, um Benchmark-Testnachweise für das Modell bereitzustellen und die Testergebnisse der Leistung und Wirkung des Modells überprüfbar zu machen.
Nachweis der Korrektheit des Modelltrainings: Da das Modelltraining sehr ressourcenintensiv ist, ist der Nachweis der Korrektheit des Modelltrainings mit ZK derzeit nicht verfügbar, aber viele Menschen glauben, dass die Technologie machbar ist und versuchen, ZK zu verwenden, um zu beweisen, dass das Modell machbar ist Bestimmte Daten verwendet/bestimmte Daten nicht verwendet, um Urheberrechtsprobleme von AIGC zu lösen.
Datenschutz
Biometrische Authentifizierung/digitale Identität für Wallet
WordCoin stellt Benutzern über das biometrische Gerät Orb, das die Iris scannt, eine einzigartige und überprüfbare digitale Identität zur Verfügung. WorldCoin arbeitet an zkml, mit dem World ID aktualisiert werden soll. Nach dem Upgrade können Benutzer ihre Signaturbiometrien autonom im verschlüsselten Speicher auf ihren Mobilgeräten aufbewahren, das durch den Iris-Code generierte ML-Modell herunterladen und erstellen Zero-Knowledge-Proofs vor Ort, um zu beweisen, dass der Iris-Code tatsächlich aus dem Signaturbild unter Verwendung des richtigen Modells generiert wird.
Blockchain-basierte Bounty-Plattform für maschinelles Lernen
Das Unternehmen gibt Kopfgelder aus und stellt öffentliche und private Daten zur Verfügung. Öffentliche Daten werden zum Trainieren des Modells und private Daten zur Vorhersage verwendet. Einige KI-Dienstleister trainieren Modelle und wandeln sie in ZK-Schaltkreise um. Verschlüsseln Sie das Modell und senden Sie es zur Überprüfung an den Vertrag. Treffen Sie für private Daten Vorhersagen, erhalten Sie Ergebnisse und erstellen Sie ZK-Beweise, die dem Vertrag zur Überprüfung vorgelegt werden. Der KI-Dienstleister erhält nach Abschluss einer Reihe von Vorgängen ein Kopfgeld. zkML: Demo für circomlib-ml im Goerli-Testnetz
Privatsphäre wahrende Schlussfolgerungen: Zum Beispiel die Nutzung privater Patientendaten für medizinische Diagnosen und die anschließende Übermittlung sensibler Schlussfolgerungsergebnisse (z. B. Ergebnisse von Krebstests) an den Patienten. (vCNN-Artikel, Seite 2/16)
4. Gebiet des ZKML
Gemessen an dem von SevenX Ventures zusammengestellten ZKML-Layout.
Hardwarebeschleunigung: Viele Institutionen entwickeln aktiv Hardwarebeschleunigung für ZKP, was auch der Entwicklung von ZKML zugute kommt. Die Erzeugung von ZKP wird im Allgemeinen durch FPGA-, GPU- und ASIC-Chips beschleunigt. Beispiel: Accseal entwickelt ASIC-Chips für die ZKP-Hardwarebeschleunigung und Ingonyama baut eine ZK-Beschleunigungsbibliothek ICIClE auf, die für GPUs konzipiert ist, die CUDA unterstützen. Supranational konzentriert sich auf GPU-Beschleunigung und Cysic und Ulvetanna konzentrieren sich auf FPGA-Beschleunigung.
Eingabe: Um die On-Chain-Dateneingabe zu nutzen, werden Axiom, Herodotus, Hyper Oracle und Lagrange den Benutzerzugriff auf Blockchain-Daten verbessern und komplexere Ansichten von On-Chain-Daten bereitstellen. ML-Eingabedaten können dann aus den importierten historischen Daten extrahiert werden
Begründung: ModulusLabs entwickelt ein neues zkSNARK-System speziell für ZKML. Dieser Teil kann mit dem ZKML-Toolset-Teil zusammengeführt werden, der hauptsächlich zum ZK des Modells und des im ZK-Prozess erforderlichen Toolsets verwendet wird. Giza ist eine auf StarkNet basierende Plattform für maschinelles Lernen, die sich auf vollständig On-Chain-Modellbereitstellungserweiterungen konzentriert.
Computing: Konzentriert sich auf den Aufbau dezentraler Computernetzwerke zum Trainieren von KI-Modellen, die für jedermann zugänglich sind. Sie ermöglichen es Menschen, Edge-Computing-Ressourcen zu geringeren Kosten zum Trainieren von KI-Modellen zu nutzen.
Dezentrales Training/Rechenleistung: Konzentrieren Sie sich auf den Aufbau eines dezentralen Computernetzwerks zum Training von KI-Modellen, das für jedermann zugänglich ist. Sie ermöglichen es Menschen, Edge-Computing-Ressourcen zu geringeren Kosten zum Trainieren von KI-Modellen zu nutzen.
ZKML-Toolset: Siehe Kapitel 5 Geschichte der Technologieentwicklung. ZAMA im Bild verwendet hauptsächlich die vollständig homomorphe Verschlüsselung (FHE) zum Schutz der Privatsphäre beim maschinellen Lernen. Im Vergleich zu ZKML bietet FHEML nur Privatsphäre ohne vertrauenswürdige Überprüfung.
Anwendungsfall: Worldcoin, Verwendung von ZKML zur digitalen Identitätsauthentifizierung. Die biometrische Signatur des Benutzers wird verschlüsselt und im Gerät gespeichert, und das maschinelle Lernmodell der ZK-basierten Iriserkennung wird verwendet, um das Modell während der Identitätserkennung auszuführen, um zu überprüfen, ob die biometrischen Merkmale übereinstimmen. Verwenden Sie ZKP, um die Korrektheit des laufenden Prozesses nachzuweisen. Modulars Labs entwickelt On-Chain-KI-Handelsroboter. Cathies EIP7007, zkML AIGC-NFT-Standard. On-Chain-Schachspieler mit künstlicher Intelligenz, neuronale Netzwerk-gesteuerte NFT-Charaktere usw.
5. Die technische Entwicklungsgeschichte des ZKML
Die größten Herausforderungen bei der Umwandlung neuronaler Netze in ZK-Schaltkreise sind:
Die Schaltung erfordert Festkommaoperationen, in neuronalen Netzen werden jedoch häufig Gleitkommazahlen verwendet.
Das Problem ist die Größe des Modells. Es ist schwierig, große Modelle umzuwandeln, und die Schaltung ist groß.
Die Entwicklungsgeschichte der ZKML-Bibliothek ist wie folgt:
2021，zk-ml/lineare-regression-demo，Peiyuan Liao
Eine lineare Regressionsschaltung ist ein sehr grundlegender Vorhersagealgorithmus. Er geht von einer linearen Beziehung zwischen Ausgabevariablen und Eingabevariablen aus. Er eignet sich für Szenarien, in denen numerische Variablen vorhergesagt und die Beziehung zwischen zwei oder mehr Variablen untersucht werden. Zum Beispiel: Vorhersage von Immobilienpreisen basierend auf der Hausfläche und anderen Merkmalen oder Vorhersage zukünftiger Verkäufe basierend auf historischen Verkaufsdaten usw.
2022年, 0xZKML/zk-mnist, 0xZKML
Basierend auf dem MNIST-Datensatz wurde eine neuronale Netzwerk-ZK-Schaltung aufgebaut, die handgeschriebene Ziffern erkennen kann. Beispiel: Wenn Sie eine Zahl 2 handschriftlich schreiben, wird die Handschrift als 2 erkannt und ein Beweis für den Argumentationsprozess erstellt. Der Beweis kann in die Kette gelegt werden, und der Beweis in der Kette kann mit Ethers + Snarkjs verifiziert werden.
Tatsächlich wandelt die zk-mnist-Bibliothek derzeit nur die letzte Schicht in eine Schaltung um, nicht jedoch das gesamte neuronale Netzwerk in eine Schaltung.
2022, socathie/zkML, Cathie
Im Vergleich zu zk-mnist wandelt ZKML ein vollständiges neuronales Netzwerk in eine Schaltung um. Cathies zkMachine Learning bietet mehrere ZKML-Toolkits cirocmlib-ml und keras2circom, um ML-Ingenieuren dabei zu helfen, Modelle in Schaltkreise umzuwandeln.
11. November 2022, Peiyuan Liao
Konvertieren Sie Gleitkommaoperationen in neuronalen Netzen in Festkommaoperationen. Erstellte und stellte ein allgemeines Tool und Framework zur Verfügung, das fast jeden Algorithmus für maschinelles Lernen in einen wissensfreien Schaltkreis umwandelt, der sich leicht in die Blockchain integrieren lässt.
Vision-Modell->AIGC
Sprachmodell->Chatbot, Schreibassistent
Lineare Modelle und Entscheidungsbäume -> Betrugserkennung, Sybil-Angriffsprävention
Multimodales Modell -> Empfehlungssystem
Ein Blockchain-freundliches Content Generation Machine Learning-Modell (AIGC) wurde trainiert und in eine ZK-Schaltung umgewandelt. Verwenden Sie es, um Grafiken zu generieren, prägnante ZK-Proofe zu erstellen und die Grafiken schließlich in NFT zu prägen.
Juli 2022, aktualisiert März 2023, zkonduit/ezkl
Abonnieren
ist eine Bibliothek und ein Befehlszeilentool für Rückschlüsse auf Deep-Learning-Modelle und andere Rechendiagramme in zk-snark (ZKML). Verwenden Sie Halo2 als Beweissystem.
Sie können einen Rechengraphen, beispielsweise ein neuronales Netzwerk, definieren und dann mit ezkl eine ZK-SNARK-Schaltung generieren. Zur Inferenz generiertes ZKP kann mit Smart Contracts verifiziert werden.
Es wird gesagt, dass es ein Modell mit 100 Millionen Parametern unterstützen kann, aber es kann sehr ressourcenintensiv sein.
Mai 2023, Ddkang/zkml (Link)
zkml behauptet, ZK zur Transformation von GPT2-, Bert- und Diffusionsmodellen verwenden zu können. Es kann jedoch viel Speicher erfordern und es ist unklar, ob der Beweis in einem Smart Contract gespeichert werden kann.
zkml kann die Modellausführung auf ImageNet mit einer Genauigkeit von 92,4 % verifizieren und außerdem ein MNIST-Modell mit einer Genauigkeit von 99 % in vier Sekunden nachweisen.
Mai 2023, zkp-gravity/0g
Das leichte neuronale Netzwerk unterstützt private Daten und öffentliche Modelle.
Im Allgemeinen können wir die aktuelle Erkundungsrichtung der ZKML-Technologie erkennen:
Die Netzwerkquantisierung (Netzwerkquantisierung) wandelt Gleitkommazahlen in neuronalen Netzen in Festkommazahlen und leichte neuronale Netze (ZK-freundlich) um.
Versuchen Sie, neuronale Netze mit großen Parametern in ZK-Schaltkreise umzuwandeln und die Beweiseffizienz zu verbessern (ZK-Funktionen erweitern).
6. Zusammenfassung
ZKML ist eine Brücke zwischen KI und Blockchain. Seine Bedeutung liegt darin, der Blockchain die Wahrnehmung der physischen Welt zu ermöglichen, es intelligenten Verträgen zu ermöglichen, Entscheidungen zu treffen und KI-Modelle zum Schutz der Privatsphäre auszuführen.
ZKML hat eine kurze Geschichte und entwickelt sich schnell. Derzeit können einige einfache neuronale Netzwerkmodelle in ZK-Schaltkreise umgewandelt und die Modelle hochgeladen oder Inferenznachweise hochgeladen werden. Sprachmodelle sind derzeit relativ schwierig, Ddkang/zkml behauptet, die ZK-Version von GPT2-, Bert- und Diffusionsmodellen generieren zu können. Es wird angenommen, dass mit der Entwicklung der Netzwerkvolumentechnologie, der ZK-Technologie und der Blockchain-Erweiterungstechnologie das ZKML-Sprachmodell bald verfügbar sein wird.