zkComposer: как новая архитектура ускоряет доказательства в zkML в 6 раз

Новая модульная система zkComposer разбивает монолитное доказательство корректного вывода нейросети на независимые поддоказательства, что позволяет ускорить процесс до 6,84 раза. Разберёмся, как это работает и почему это важно для конфиденциального машинного обучения. Группа исследователей опубли

Что такое zkComposer и как он работает

Группа исследователей опубликовала препринт, в котором описывается zkComposer — модульная архитектура для построения доказательств с нулевым разглашением в машинном обучении (zkML). В отличие от традиционных систем, где доказательство строится как единый монолит, zkComposer разбивает вычислительный граф модели на несколько независимых сегментов. Каждый сегмент, например, несколько слоёв нейросети, обрабатывается отдельно, и для него генерируется своё поддоказательство.

Эти поддоказательства не существуют изолированно — они криптографически связываются через общие обязательства на активации граничных слоёв. Такой подход гарантирует, что совокупность поддоказательств эквивалентна монолитному доказательству, но при этом не требует дополнительных связующих доказательств. Это ключевое новшество: zkComposer не вводит новых криптографических примитивов и не усложняет базовую схему.

Почему zkComposer решает проблему масштабирования

Главная проблема существующих zkML-систем — огромные затраты на генерацию доказательств. Даже распараллеливание вычислений внутри одного доказательства даёт ограниченный выигрыш, так как многие операции остаются последовательными. zkComposer добавляет новое измерение параллелизма — декомпозицию на уровне модели. Это означает, что разные части нейросети могут доказываться одновременно на разных вычислительных узлах, что радикально сокращает общее время.

Такой подход особенно важен для верифицируемого инференса в конфиденциальных вычислениях. Когда сервер должен доказать клиенту, что он выполнил модель корректно, не раскрывая сами данные или параметры модели, время доказательства становится критическим фактором. Ускорение в несколько раз может сделать zkML практичным для реальных приложений.

Какое ускорение даёт zkComposer на реальных моделях?

Эксперименты проводились на трёх свёрточных нейросетях (CNN) и на GPT-2. Для CNN ускорение времени доказательства и времени ответа составило до 3,25 раза по сравнению с zkCNN — одной из лучших существующих систем. Для GPT-2 результаты ещё впечатляющее: при разбиении только по слоям модели ускорение достигло 4,83 раза по сравнению с zkGPT. А если комбинировать разбиение по слоям и по входным последовательностям, ускорение возрастает до 6,84 раза.

Эти цифры показывают, что декомпозиция на уровне модели — не просто теоретическая идея, а работающий метод, который даёт значительный выигрыш на практике. При этом zkComposer не требует изменения базовых криптографических примитивов, что упрощает его внедрение.

Кому будет полезен zkComposer

Новая архитектура в первую очередь заинтересует разработчиков систем конфиденциального машинного обучения. Если вы создаёте решения, где нужно доказывать корректность инференса без раскрытия данных или модели, zkComposer может существенно снизить задержки. Исследователи в области доказательств с нулевым разглашением также найдут здесь новый подход к масштабированию.

Компании, внедряющие верифицируемый инференс с сохранением приватности, смогут быстрее обслуживать клиентов. Например, в медицинской диагностике или финансовом анализе, где каждая секунда на счету, ускорение в 3–6 раз может стать решающим фактором.

Какие остаются открытые вопросы

Несмотря на впечатляющие результаты, в статье не сообщается о производительности на более крупных моделях, таких как GPT-3 или LLaMA. Эти модели содержат сотни миллиардов параметров, и неизвестно, как поведёт себя декомпозиция на таком масштабе. Также не раскрыты накладные расходы на память и коммуникацию при большом числе поддоказательств — если сегментов слишком много, обмен данными между узлами может свести на нет выигрыш.

Открытым остаётся вопрос интеграции с существующими zkVM и фреймворками. zkComposer пока существует как препринт, и для его промышленного использования потребуется адаптация под популярные платформы. Тем не менее, результаты на CNN и GPT-2 вселяют оптимизм: возможно, в ближайшие годы мы увидим zkML-системы, работающие в реальном времени.