AI ASIC 최적화로 제로 지식 증명(ZKP) 성능 혁신
요약
본 논문은 ZKP 프로버의 높은 계산 비용 문제를 해결하기 위해, 인공지능 가속기(AI ASIC)에 최적화된 새로운 프레임워크 MORPH를 제안합니다. 기존 ZKP 연산의 병목 구간인 다중 스케일 곱셈(MSM)과 수론 변환(NTT)을 AI ASIC 아키텍처에 맞게 재구성했습니다. 특히, 하드웨어 구조를 고려한 새로운 복잡도 모델인 Big-T를 도입하여, 기존 빅-오 표기법(Big-O)이 놓치던 이질적인 병목 현상과 레이아웃 변환 비용까지 분석했습니다. MORPH는 산술 레벨에서 고정밀 모듈러 연산을 저정밀도의 밀집 GEMM으로 변환
핵심 포인트
- MORPH 프레임워크를 통해 ZKP 커널을 AI ASIC 실행에 맞게 재구성하여 효율성을 극대화합니다.
- Big-T 복잡도 모델은 하드웨어 구조와 레이아웃 변환 비용까지 고려한 새로운 분석 틀을 제공합니다.
- 산술 레벨에서 고정밀 모듈러 연산을 저정밀 GEMM으로 변환하여 캐리 체인을 제거했습니다.
- 데이터 흐름 레벨에서는 TPU Pippenger MSM과 최적화된 NTT를 구성하여 메모리 재배치를 최소화합니다.
- JAX로 구현된 MORPH는 기존 GZKP 대비 NTT에서 최대 10배 높은 처리량을 달성했습니다.
제로 지식 증명(Zero-Knowledge Proof, ZKP) 프로버의 계산 비용은 다중 스케일 곱셈(Multi-Scalar Multiplication, MSM)과 수론 변환(Number-Theoretic Transforms, NTT) 같은 연산에 의해 크게 좌우됩니다. 이러한 연산들은 상당한 컴퓨팅 자원을 요구하기 때문입니다.
저희는 AI 가속기(AI ASIC), 예를 들어 TPU와 같이 대규모 행렬 처리량과 높은 에너지 효율성을 제공하는 하드웨어의 특성에 맞춰 ZKP 커널을 재구성하는 새로운 프레임워크, MORPH를 개발했습니다. 이 프레임워크는 기존의 Big-O 표기법이 간과했던 이질적인 병목 현상이나 레이아웃 변환 비용까지 분석할 수 있는 'Big-T' 복잡도 모델을 도입하여 하드웨어 친화적 최적화를 가능하게 합니다.
MORPH는 두 가지 차원에서 혁신을 가져옵니다. 첫째, 산술 레벨에서는 고정밀 모듈러 연산을 캐리 체인(carry chains)이 없는 저정밀도의 밀집 행렬 곱셈(GEMM)으로 변환하는 확장된 RNS (Residue Number System) 지연 감소 기법을 적용했습니다. 둘째, 데이터 흐름 레벨에서는 TPU Pippenger MSM과 최적화된 3/5단계 NTT를 구성하여, 비용이 많이 드는 온-TPU 메모리 재배치(shuffles)를 최소화합니다.
JAX로 구현된 MORPH를 사용했을 때, TPUv6e8에서 기존 GZKP 대비 NTT 처리량은 최대 10배 향상되었으며, MSM에서도 유사한 수준의 높은 처리량을 달성했습니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.AR의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기