1/ JSTprove V2 burada. Bu, zkML yığınımızda daha hızlı devreler, daha fazla desteklenen katman, daha geniş model uyumluluğu ve çok daha iyi bir geliştirici deneyimi ile büyük bir yükseltme. Pratik, doğrulanabilir makine öğrenmesine doğru büyük bir adım.

2/ İki büyük devre optimizasyonu gönderdik. Pahalı aralık kontrollerini arama tablolarıyla değiştirdik ve hızlı olasılıksal matris doğrulaması için Freivalds algoritmasını ekledik. Her ikisi de kısıtlamaları ve kanıtlayıcı yükleri önemli ölçüde azaltıyor.

3/ Neden bu önemlidir: Menzil kontrolleri ML devrelerinde her yerde görülüyor (ReLU, yeniden ölçeklendirme, max/min, vb.) ve çok pahalılar. Bunların yerine arama tabloları getirilmesi, neredeyse her modelde kısıtlamaları kaydeder ve anında performans artışı sağlar.

4/ Büyük matris işlemleri için artık Freivalds algoritmasını kullanıyoruz. Kübik zamanlı doğrulama yerine, uygun olduğunda kuadratik zamanlı olasılıksal kontroller uygularız, böylece büyük GEMM ve benzeri işlemlerin doğrulanma maliyetini büyük ölçüde azaltıyoruz.

5/ Ayrıca ONNX katman desteğini genişlettik. JSTprove artık Add, Sub, Mul, Max, Min, Clip, 4D MaxPool (şimdilik) ve BatchNorm'u destekliyor, böylece çok daha geniş bir gerçek dünya modeli sınıfının kilidini açıyor.

6/ JSTprove artık tek bir giriş ve çıkış varsaymıyor. Artık çoklu giriş ve çok çıkışlı ONNX grafiklerini destekliyoruz. Bu, orta uç ve Rust arka uçunda derin refigürasyonlar gerektiriyordu, ancak model uyumluluğunu büyük ölçüde genişletiyor.

7/ Ayrıca test çerçevesini yeniden inşa ettik. Artık bireysel katmanları test edebilir, tam pipeline testleri (kuantizasyon → devre → → kanıtlayabilir → doğrulayabilir), fuzz şekilleri ve parametreleri çalıştırabilir ve desteklenmeyen modeller için doğru, faydalı hatalar elde edebilirsiniz.

8/ BatchNorm gibi katmanlar eklemek, arka planın büyük bir kısmını temizlememiz ve modülerleştirmemiz için zorladı. Bu, gelecekteki katman eklemeleri ve optimizasyonları çok daha hızlı, daha güvenli ve mantıklı hale getirebilir.

9/ Sonuç: JSTprove V2 daha hızlı, kanıtlanması daha ucuz, daha ifadeli, daha sağlam ve çok daha karmaşık gerçek dünya modellerine hazır. Bu, üretimde doğrulanabilir makine öğrenimini pratik hale getirmek için büyük bir adımdır.