💬 NLP

Enabling AI ASICs for Zero Knowledge Proof

تقدم هذه الورقة MORPH، وهو إطار عمل يعيد صياغة نوى براهين المعرفة الصفرية باستخدام نموذج تعقيد مدرك للأجهزة لتمكين التنفيذ الفعال على رقائق الذكاء الاصطنا خلف المخصصة (AI ASICs) مثل وحدات معالجة التنسور (TPUs)، محققاً تحسينات في الإنتاجية تصل إلى 10 أضعاف في عمليات تحويل NTT من خلال الحسابات المتمحورة حول وحدة المصفوفات الرياضية (MXU) وتخطيطات تدفق البيانات المحسنة.

المؤلفون الأصليون: Jianming Tong, Jingtian Dang, Simon Langowski, Tianhao Huang, Asra Ali, Jeremy Kun, Jevin Jiang, Srinivas Devadas, Tushar Krishna

نُشر 2026-04-21

📖 5 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Jianming Tong, Jingtian Dang, Simon Langowski, Tianhao Huang, Asra Ali, Jeremy Kun, Jevin Jiang, Srinivas Devadas, Tushar Krishna

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

إليك شرح لورقة بحث "تمكين رقائق الذكاء الاصطناعي (ASICs) لعمليات إثبات المعرفة الصفرية (Zero Knowledge Proof)" باستخدام لغة بسيطة وتشبيهات إبداعية.

الصورة الكبيرة: مشكلة "الرياضيات السرية"

تخ_يل أنك تدير بنكاً ضخماً يحتاج إلى إثبات لعملائه أن عملية تحويل مالي تمت بشكل صحيح دون الكشف عن اسم العميل أو المبلغ. هذا ما يسمى بـ إثبات المعرفة الصفرية (ZKP).

للقيام بذلك، يتعين على كمبيوتر البنك ("المُثبِت" أو Prover) حل ألغاز رياضية صعبة للغاية. هناك لغزان محددان يستحوذان على معظم الوقت:

ضرب متعدد السكالات (MSM): مثل محاولة ضرب قائمة ضخمة من الأرقام في قائمة ضخمة من النقاط على الخريطة، مراراً وتكراراً.
تحويل نظرية الأعداد (NTT): مثل أخذ أغنية طويلة وتفكيكها فوراً إلى نوتاتها الموسيقية الفردية (الترددات) للتحقق مما إذا كان اللحن صحيحاً.

المشكلة: هذه الألغاز ثقيلة جداً لدرجة أنها تستغرق ساعات لحلها على أجهزة الكمبيوتر العادية. وهذا يجعل تقنيات (ZKP) بطيئة ومكلفة للغاية للاستخدام اليومي (مثل التحقق من صورة أو معاملة في البلوكشين).

الحل: قام الباحثون ببناء MORPH، وهو نظام جديد يسمح لرقائق الذكاء الاصطناعي القوية (تحديداً وحدات TPU من جوجل) بحل هذه الألغاز بسرعة أكبر بكثير.

التشبيه: المصنع مقابل خط التجميع

لفهم سبب صعوبة الأمر، تخيل نوعين مختلفين من المصانع:

المصنع العام (وحدات GPU/CPU): هذا المصنع لديه العديد من العمال المهرة الذين يمكنهم القيام بأي شيء تقريباً. هم بارعون في التعامل مع المهام المعقدة وغير المنتظمة حيث تختلف كل خطوة عن الأخرى. إنهم مرنون ولكن ليسوا فائقين السرعة في القيام بـ نفس الشيء ملايين المرات.
مصنع الذكاء الاصطناعي (وحدات TPU): هذا المصنع مُصمم لـ الإنتاج الضخم. لديه حزام ناقل ضخم فائق السرعة (MXU) مصمم للقيام بشيء واحد محدد: ضرب شبكات ضخمة من الأرقام (المصفوفات) دفعة واحدة. إنه سريع جداً وفعال في استهلاك الطاقة، لكنه جامد. إذا حاولت إعطاءه مهمة فوضوية أو غير منتظمة، فسوف يتعطل لأنه لا يستطيع التعامل مع "الفوضى".

الصراع: رياضيات (ZKP) فوضوية. فهي تتضمن أرقاماً ضخمة (بطول مئات البتات) وتتطلب "إعادة ترتيب" مستمرة للبيانات. مصنع الذكاء الاصطناعي (TPU) رائع في الجزء الرياضي، لكنه سيء جداً في جزء إعادة الترتيب. إذا قمت فقط بتشغيل كود (ZKP) القديم على الـ (TPU)، فسيعمل أبطأ بـ 30 مرة لأن العمال سيقضون كل وقتهم في إعادة ترتيب الأوراق بدلاً من القيام بالرياضيات.

كيف يعالج MORPH المشكلة: سحر الخطوتين

أدرك فريق MORPH أنه لا يمكنهم مجرد فرض الكود القديم على الآلة الجديدة. كان عليهم إعادة تصميم سير العمل ليتناسب مع نقاط قوة مصنع الذكاء الاصطناعي. فعلوا ذلك بطريقتين:

1. الإصلاح الحسابي: "طبقة الترجمة"

المشكلة: تستخدم رياضيات (ZKP) أرقاماً ضخمة (بطول 377 بت مثلاً). بينما يفهم حزام الـ (TPU) الناقل الأرقام الصغيرة فقط (8 أو 32 بت). الطريقة القديمة للتعامل مع هذا كانت تشبه محاولة حمل صخرة بوزن 500 رطل عن طريق تكسيرها إلى حصوات صغيرة، وحملها واحدة تلو الأخرى، ثم لصقها معاً مرة أخرى. إنها عملية بطيئة وتتطلب الكثير من "الغراء" (سلاسل الحمل/Carry chains).

حل MORPH: اخترعوا طبقة ترجمة (RNS Lazy Reduction).

التشبيه: بدلاً من حمل الصخرة، وضعوها في حاوية شحن ضخمة الحجم تناسب تماماً الحزام الناقل الخاص بهم.
قاموا بتحويل المسألة الرياضية الضخمة والفوضوية إلى تنسيق يبدو كشبكة ضخمة من الأرقام الصغيرة.
الآن، يمكن للحزام الناقل فائق السرعة في الـ (TPU) معالجة الشبكة بأكملة في دفعة واحدة، دون التوقف للصق أي شيء.
النتيجة: حول هذا العملية البطيئة (خطوة بخطوة) إلى سباق هائل ومتوازي. لقد كان أسرع بـ 90 مرة في الجزء الرياضي.

2. إصلاح تدفق البيانات: "المستودع الثابت"

المشكلة: تتطلب خوارزميات (ZKP) القديمة من الكمبيوتر التوقف باستمرار، وإعادة ترتيب البيانات وتنظيمها (مثل أمين مكتبة ينقل الكتب باستمرار من رف إلى آخر لمجرد العثور على الكتاب التالي). في الـ (TPU)، هذا "الخلط والترتيب" هو أكبر عائق. الأمر يشبه امتلاك سيارة فيراري تقضي 90% من وقتها عالقة في الازدحام المروري.

حل MORPH: أعادوا تصميم سير العمل ليكون ثابتاً في التخطيط (Layout-Stationary).

التشبيه: تخيل مستودعاً حيث يتم فرز الصناديق ووضعها بدقة في المكان الذي يحتاجه الذراع الروبوتية. الروبوت لا يحتاج أبداً لتحريك الصناديق من مكانها؛ بل يأخذها ويعمل فقط.
ابتكروا طريقة جديدة تسمى LS-PPG (لحل لغز MSM) و 5-step NTT (لحل لغز الترددات).
تضمن هذه الطرق أنه بمجرد تحميل البيانات، تظل في موقعها المثالي ليقوم الـ (TPU) بمعالجتها. لا مزيد من الخلط، ولا مزيد من الاختناقات المرورية.
النتيجة: يقضي الـ (TPU) ما يقرب من 100% من وقته في إجراء العمليات الحسابية، وليس في نقل البيانات.

النتائج: وحش السرعة

من خلال الجمع بين هذين الإصلاحين، حول MORPH وحدة الـ (TPU) إلى كمبيوتر خارق لـ (ZKP).

السرعة: بالنسبة للغز "الترددات" (NTT)، أصبح الـ (TPU) الآن أسرع بـ 10 مرات من أفضل الأنظمة الموجودة حالياً (مثل وحدات NVIDIA GPU).
الكفاءة: يستخدم طاقة أقل بكرثير للقيام بنفس العمل.
القابلية للتوسع: كلما أصبحت الرياضيات أصعب (أرقام أكبر)، لا يتباطأ الـ (TPU) بنفس القدر الذي تتباطأ به الرقائق الأخرى.

الخلاصة

فكر في MORPH كأنه المحول النهائي. لقد أخذوا آلة بُنيت للذكاء الاصطناعي (Google TPU) وأعادوا توصيلها لتصبح أفضل آلة في العالم لـ "الرياضيات السرية" (ZKPs).

قبل: محاولة تشغيل سيارة فورمولا 1 على طريق ترابي (بطيئة، متعرجة، وغير فعالة).
بعد: قام MORPH بتمهيد طريق سريع مثالي لهذه السيارة. الآن، هي أسرع مركبة على المضمار.

هذا الإنجاز يعني أنه في المستقبل، يمكننا التحقق من الحسابات المعقدة (مثل معاملات البلوكشين الخاصة أو معالجة الذكاء الاصطناعي الآمنة) في ثوانٍ بدلاً من ساعات، مما يجعل تقنيات الحفاظ على الخصوصية عملية ومتاحة للجميع.

إليك ملخص تقني مفصل لورقة البحث "تمكين رقائق AI ASICs لبروتوكولات إثبات المعرفة الصفرية" (MORPH).

1. بيان المشكلة

تعد إثباتات المعرفة الصفرية (ZKPs) بالغة الأهمية لتوسيع نطاق سلاسل الكتل (blockchains) والحوسبة القابلة للتحقق، ولكن اعتمادها يعوقه التكلفة الباهظة وزمن الاستجखाव (latency) الخاص بـ المُثبِت (prover). يهيمن على زمن تشغيل المُثبت نواتان (kernels) أساسيتان:

الضرب متعدد السكالات (MSM): يمثل حوالي 70% من زمن الاستجابة.
تحويل نظرية الأعداد (NTT): يمثل حوالي 20-30% من زمن الاستجابة.

بينما توفر رقائق AI ASICs مثل وحدات TPUs من Google إنتاجية هائلة للمصفوفات وكفاءة طاقة فائقة مقارنة بوحدات GPU، إلا أن خوارزميات ZKP الحالية (المحسنة لوحدات GPU/FPGA) تعمل بشكل سيئ على وحدات TPU. وتحدد الورقة سببين رئيسيين لهذا عدم الكفاءة:

عدم التطابق الحسابي: تتطلب بروتوكولات ZKP حسابات معيارية (modular arithmetic) فوق حقول أولية ضخمة (256-753 بت)، لكن وحدات TPU تدعم بطبيعتها دقة منخفضة (8/16/32 بت). تعتمد الخوارزميات التقليدية على سلاسل انتشار الحمل (carry propagation) متسلسلة (مثل تقليل Radix Montgomery)، وهي غير فعالة على وحدات TPU لأنها تتطلب إعادة ترتيب بيانات دقيقة لا تستطيع الأجهزة موازاتها بفعالية.
عدم تطابق تدفق البيانات: تتضمن الخوارزميات الحديثة (SotA) عمليات متكررة لـ تحويل التخطيط (layout transformations) (مثل عمليات التبديل والتدوير) لمواءمة البيانات مع سجلات المتجهات (VRegs) ذات الحبيبات الخشنة في TPU. هذه التحويلات تسبب زمن استجابة هائل لا يظهر في نماذج التعقيد التقليدية (Big-O)، لكنه يهيمن على وقت التنفيذ في رقائق AI ASICs.

2. المنهجية: إطار عمل MORPH

يقترح المؤلفون MORPH، وهو أول إطار عمل يقوم بصياغة نوى ZKP بشكل منهجي لتناسب رقائق AI ASICs. يقدم الإطار نموذج تعقيد جديد ويطبق تحسينات على مستويي الحساب وتدفق البيانات.

أ. نموذج التعقيد الجديد: Big- $T$

تقدم الورقة مفهوم تعقيد Big- $T$ ، وهو مقياس مدرك للأجهزة يوسع مفهوم Big-O.

قصور Big-O: يتجاهل الاختناقات غير المتجانسة وتكلفة تحويلات تخطيط البيانات.
تعريف Big- $T$ : يقيس زمن التنفيذ كأقصى قيمة من:
1. العمل مقسوماً على التوازي لكل وحدة غير متجانسة ( $W_k / P_k$ ).
2. زمن استجابة تحويلات التخطيط والوصول إلى الذاكرة ($Mem$).
الرؤية: يكشف Big- $T$ أن الاختناق في وحدات TPU غالباً لا يكون في إنتاجية الحوسبة، بل في انتشار الحمل المتسلسل المرتبط بالتبديل (shuffle-bound carry propagation) وإعادة تنظيم التخطيط.

ب. التحسين الحسابي: تقليل RNS الكسول المرتكز على MXU

للقضاء على سلاسل الحمل المتسلسلة، يعيد MORPH صياغة الحسابات المعيارية:

حقل RNS الموسع: بدلاً من إجراء الحسابات مباشرة في الحقل الأولي $\mathbb{F}_M$ ، يقوم MORPH بنقل العناصر إلى حقل أكبر غير أولي $\mathbb{F}_Q$ يدعم نظام الأعداد المتبقية (RNS).
التقليل الكسول (Lazy Reduction): يتم تفكيك الضرب المعياري إلى عمليات ضرب متجهة مستقلة بقدر 32 بت (بدون انتشار حمل).
التقليل الموجه نحو المصفوفات: يتم تحويل عملية التقليل المعياري اللاحقة (إعادة بناء RNS $\leftarrow$ mod $M$ $\leftarrow$ تفكيك RNS) إلى ضرب مصفوفات كثيفة (GEMM) منخفض الدقة وعمليات متجهة.
النتيجة: ينقل هذا الأمر الاختناق من سلاسل الحمل المتسلسلة (المقيدة بـ XLU) إلى ضرب المصفوفات المتوازي (المقيد بـ MXU)، مما يحقق تسريعاً يصل إلى 90 ضعفاً مقارنة بتقنية Radix Montgomery التقليدية.

ج. تحسين تدفق البيانات: خوارزميات الثبات في التخطيط (Layout-Stationary)

يعيد MORPH تصميم تدفقات البيانات لتقليل حركة البيانات وتغييرات التخطيط:

بالنسب لـ MSM (خوارزمية LS-PPG): يقترح المؤلفون Pippenger الثابت في التخطيط (LS-PPG).
- يفرض استراتيجية موحدة للتقسيم والتخطيط عبر مرحلتي "الفرز المسبق" (Presorting) و"تجميع الدلاء" (Bucket Accumulation).
- يلغي هذا التواصل بين وحدات TPU وإعادة تنظيم التخطيط داخل وحدة TPU (التبديل/التدوير).
- يقوم بدمج الفرز المسبق مع تجميع الدلاء، مما يسمح باستهلاك النقاط فور توليدها دون الحاجة للكتابة مرة أخرى في ذاكرة HBM خارج الشريحة.
بالنسب لـ NTT (نموذج 5-Step NTT):
- بينما يوجد نموذج NTT ثلاثي الخطوات، فإنه لا يزال يتسبب في امتداد ذاكرة عالٍ لأحجام المشكلات الكبيرة.
- يقدم MORPH نموذج 5-step NTT، والذي يقسم بشكل متكرر عملية NTT لصفوف النسخة ثلاثية الخطوات إلى هيكل ثلاثي الخطوات عبر عوامل أصغر ( $R_1, R_2, C$ ).
- يقلل هذا من امتداد MXU الفعال ومتطلبات تخزين المعاملات مع الحفاظ على إنتاجية عالية لـ MXU.

3. المساهمات الرئيسية

تعقيد Big- $T$ : مقياس مبتكر يحدد كمياً تأثير نطاقات الحوسبة غير المتجانسة وتكاليف تحويل التخطيط، مما يوفر طريقة منهجية لتحليل تصميمات ZKP على رقائق AI ASICs.
تقليل RNS الكسول المرتكز على MXU: تقنية تحول الحسابات المعيارية عالية الدقة إلى عمليات GEMM كثيفة ومنخفضة الدقة، مما يلغي سلاسل الحمل ويحقق تسريعاً يصل إلى 90 ضعفاً مقارنة بتقنية Radix Montgomery المتطورة.
خوارزميات LS-PPG و 5-Step NTT: خوارزميات تدفق بيانات تتجنب التواصل بين الأجهزة وتقلل من إعادة تنظيم التخطيط داخل الجهاز.
- LS-PPG: يحقق تسريعاً يصل إلى 5.8 ضعفاً مقارنة بـ SotA MSM على وحدات TPU.
- 5-Step NTT: يقلل من تجاوز تخزين المعاملات ويحسن الإنتاجية للدرجات الكبيرة.
أول مسرع ZKP يعتمد على TPU: أول إطار عمل يجعل من وحدات TPU منصة قابلة للتطبيق وعالية الإنتاجية لنوى ZKP.

4. النتال التجريبية

تم تنفيذ إطار العمل باستخدام JAX وتقييمه على Google TPUv6e (بمقياس يطابق استهلاك الطاقة لوحدة NVIDIA V100).

مكاسب الإنتاجية:
- NTT: يحقق MORPH إنتاجية أعلى بـ 10 أضعاف من GZKP (تنفيذ GPU المتطور) لعمليات NTT بقدر 753 بت.
- MSM: يحقق MORPH إنتاجية مماثلة (تصل إلى 1.2 ضعف) لـ GZKP لعمليات MSM بقدر 753 بت، رغم التحديات الهيكلية.
القابلية للتوسع:
- توسع الدقة: مع زيادة حجم المعامل من 256 بت إلى 753 بت، تزديد زمن استجابة GPU بمقدار 6-7 أضعاف بسبب سلاسل الحمل الطويلة. في المقابل، تزديد زمن استجابة TPU بمقدار 1.3-3 أضعاف فقط لأن حسابات RNS تتوافق بكفاءة مع MXU.
- حجم الدفعة (Batch Size): تتحسن الأداء بشكل كبير مع أحجام الدفعات الكبيرة (حتى 128)، مما يستغل سجلات VRegs و MXU في TPU بشكل كامل.
دراسة الاستئصال (Ablation Study):
- وفر التحسين الحسابي وحده تقليلاً في زمن الاستجابة بنسبة 50-90 ضعفاً لـ MSM.
- وفر تحسين تدفق البيانات تسريعاً إضافياً قدره 3.1 ضعفاً لـ MSM.

5. الأهمية

يغير هذا العمل بشكل جذري نموذج تسريع ZKP:

AI ASICs كمنصات رائدة: يثبت أن رقائق AI ASICs (تحديداً TPUs)، التي كان يُعتقد سابقاً أنها غير مناسبة لأعباء العمل التشفيرية بسبب قيود الدقة وتدفق البيانات، يمكنها في الواقع التفوق على وحدات GPU في نوى ZKP عالية الدقة عند إعادة صياغتها بشكل صحيح.
كفاءة الطاقة: من خلال الاستفادة من التوازي الهائل وكفاءة الطاقة في وحدات TPU، يقدم MORPH مساراً نحو حوسبة قابلة للتحقق أكثر استدامة وقابلية للتوسع.
إطار عمل قابل للتعميم: يوفر نموذج Big- $T$ واستراتيجية التنفيذ "الثابت في التخطيط" (layout-stationary) مخططاً لنقل الخوارزميات الأخرى غير المنتظمة وعالية الدقة إلى أجهزة الذكاء الاصطناي الحديثة غير المتجانسة.

في الختام، يجسّر MORPH الفجوة بين المتطلبات الرياضية لبروتوكولات ZKP والقدرات الهيكلية لرقائق AI ASICs، مما يجعل وحدات TPU منصة رائدة لـ NTT عالية الدقة وخياراً منافساً لـ MSM.