1/ JSTprove V2 هنا. هذا ترقية كبيرة لحزمة zkML لدينا مع دوائر أسرع، طبقات مدعومة أكثر، توافق أوسع مع النموذج، وتجربة تطوير أفضل بكثير. خطوة كبيرة نحو تعلم آلي عملي وقابل للتحقق.

2/ قمنا بشحن تحسينين رئيسيين للدوائر الإلكترونية. استبدلنا فحوصات النطاق المكلفة بجداول بحث، وأضفنا خوارزمية فريفالدز للتحقق السريع من المصفوفات الاحتمالية. كلاهما يقلل بشكل كبير من القيود وتكاليف الإثبات التشغيلية.

3/ لماذا هذا مهم: تظهر فحوصات المدى في كل مكان في دوائر التعلم الآلي (ReLU، إعادة التكبير، الحد الأقصى/الأدنى، إلخ) وهي مكلفة جدا. استبدالها بجداول بحث يوفر القيود عبر كل نموذج تقريبا ويمنح مكاسب أداء فورية.

4/ لعمليات المصفوفة الكبيرة، نستخدم الآن خوارزمية فريفالدز. بدلا من التحقق في الوقت المكعب، نطبق فحوصات احتمالية في الوقت التربيعي حيثما كان ذلك ممكنا، مما يقلل بشكل كبير من تكلفة التحقق من GEMMs الكبيرة والعمليات المشابهة.

5/ قمنا أيضا بتوسيع دعم طبقة ONNX. يدعم JSTprove الآن التعديلات مثل Add، Sub، Mul، Max، Min، Clip، 4D MaxPool (في الوقت الحالي)، وBatchNorm، مما يفتح فئة أوسع بكثير من النماذج الواقعية.

6/ JSTprove لم يعد يفترض مدخلا ومخرجا واحدين. نحن الآن ندعم رسوم ONNX متعددة المدخلات ومتعددة المخرجات. تطلب ذلك إعادة هيكلة عميقة عبر الواجهة الوسطى وخلفية Rust، لكنه وسع بشكل كبير من توافق النماذج.

7/ أعدنا أيضا بناء إطار الاختبار. يمكنك الآن اختبار الطبقات الفردية، وتشغيل اختبارات خطوط الأنابيب الكاملة (الكمية → الدائرة → → إثبات → التحقق)، وأشكال ومعلمات الضباب، والحصول على أخطاء مناسبة ومفيدة للنماذج غير المدعومة.

8/ إضافة طبقات مثل BatchNorm أجبرتنا على تنظيف وتعديل أجزاء كبيرة من الخلفية. هذا يجعل الإضافات والتحسينات للطبقات المستقبلية أسرع وأكثر أمانا وأسهل في التفكير.

9/ النتيجة: JSTprove V2 أسرع، أرخص في الإثبات، أكثر تعبيرا، أكثر متانة، وجاهز لنماذج أكثر تعقيدا في العالم الحقيقي. هذه خطوة كبيرة نحو جعل التعلم الآلي القابل للتحقق عمليا في الإنتاج.