ZK-Flex گلوگاه تولید اثبات را به مسئله‌ای سخت‌افزاری تبدیل می‌کند

در سامانه‌های دانش صفر معمولاً بر امکان راستی‌آزمایی تمرکز می‌شود، اما گلوگاه عملی اغلب جای دیگری است: تولید خودِ اثبات. مقاله‌ای جدید با نام ZK-Flex معماری‌ای مشترک برای نرم‌افزار و سخت‌افزار پیشنهاد می‌کند تا این workload تولیدکننده، انعطاف‌پذیرتر و کارآمدتر شود.

این پژوهش در ۲ ژوئن ۲۰۲۶ در arXiv ثبت شد و در شصت‌وسومین کنفرانس طراحی خودکار مدارهای ACM/IEEE، که ۲۶ تا ۲۹ ژوئیه برگزار شد، پذیرفته شد. ایده اصلی آن هماهنگ‌کردن زمان‌بندی آگاه از workload در نرم‌افزار با یک شتاب‌دهنده بازپیکربندی‌پذیر است؛ به‌جای آنکه تولیدکننده اثبات و تراشه، جداگانه بهینه شوند.

ZK-Flex دو بخش پرهزینه تولید اثبات را هدف می‌گیرد: عملیات چندجمله‌ای و عملیات منحنی بیضوی. لایه نرم‌افزار بر اساس workload و سخت‌افزار موجود، الگوریتم‌ها و زمان‌بندی را انتخاب می‌کند. لایه سخت‌افزار نیز هسته چنددقتی TCore را معرفی می‌کند که بر ضرب Toom–Cook مبتنی است و آن را با شبکه روی تراشه انعطاف‌پذیر و سازوکار حافظه مبتنی بر فهرست پیوندی ترکیب می‌کند تا در شرایط محدودیت حافظه، واحدهای موازی همچنان فعال بمانند.

این طراحی از عرض‌های مختلف عملوند، از جمله محاسبات ۲۵۶، ۳۸۴ و ۷۶۸ بیتی، پشتیبانی می‌کند. همچنین زمان‌بندی‌های تبدیل عددی نظری با پایه‌های ترکیبی و ضرب چنداسکالر را پوشش می‌دهد؛ دو workload که معمولاً سهم بزرگی از زمان تولید اثبات را مصرف می‌کنند. این انعطاف اهمیت دارد، زیرا کاربردهای مختلف اثباتی، هسته‌های محاسباتی را با نسبت‌های یکسان تحت فشار نمی‌گذارند.

در ارزیابی نویسندگان، ZK-Flex در مقایسه با بهترین طراحی قبلی بررسی‌شده، به‌طور میانگین کاهش ۵٫۵۲ برابری در تأخیر تولید اثبات و در بهترین حالت سرعتی ۱۱٫۵ برابری نشان داد. مقاله همچنین بهبود میانگین ۱٫۸۵ برابری در بهره‌وری سطح تراشه و حداکثر بهبود ۳٫۸ برابری را گزارش می‌کند. این ارقام از benchmarkهای منتخب نویسندگان و مدل‌سازی سخت‌افزاری به دست آمده‌اند و اندازه‌گیری مستقل تولیدی یا تراشه تجاری نمایش‌داده‌شده نیستند.

تغییر مهم‌تر، معماری است. شتاب‌دهی ZK در حال عبور از مدارهای تک‌منظوره یا kernelهای عمومی GPU است و به سمت سامانه‌هایی می‌رود که الگوریتم، دقت محاسبات، چیدمان حافظه و پیکربندی سخت‌افزار را هم‌زمان تطبیق می‌دهند. برای rollupها، محاسبات خصوصی و یادگیری ماشین قابل‌راستی‌آزمایی، این رویکرد می‌تواند ظرفیت تولید اثبات را به منبعی قابل‌پیش‌بینی‌تر در زیرساخت تبدیل کند.

با این حال، مسائل دشوار از بین نرفته‌اند. آزمایش‌های مقیاس‌پذیری همچنان پهنای‌باند حافظه را یک محدودیت معرفی می‌کنند و برای برخی انتخاب‌های radix، شتاب‌دهنده به‌طور کامل استفاده نمی‌شود. بنابراین آزمون بعدی فقط این نیست که آیا دستاوردهای مدل‌سازی‌شده پس از ساخت تراشه حفظ می‌شوند؛ بلکه باید دید این انعطاف‌پذیری در workloadهای واقعی تولید اثبات، به اقتصاد قابل‌اعتماد تبدیل می‌شود یا نه.

برای سازندگان ZK، نتیجه روشن است: جهش بعدی در تولیدکننده‌های اثبات ممکن است به همان اندازه که به پروتکل رمزنگاری تازه وابسته است، به تصمیم‌های شبیه کامپایلر درباره workload و جابه‌جایی داده در حافظه نیز وابسته باشد.