1. PipeMSM（cloud-ZK）：ZKP+FPGA
Ingonyama团队2022年发表了论文《PipeMSM: Hardware Acceleration for Multi-Scalar Multiplication》，尝试将ZK操作与FPGA结合，并为未来ZK与ASIC（Application Specific Integrated Circuits）结合做铺垫。
在Aztec系列博客：
中指出，prover开销 相对于 “direct witness checking” 将是百万级甚至千万级的。Prover开销被认为是影响ZK应用的主要计算瓶颈，从而影响：
- 延迟
- 吞吐量
- 内存
- 耗电量
- cost
MSM（Multi-scalar multiplication）为许多ZK prover的主要瓶颈，在PipeMSM论文中，借助：
- Parallel Bucket Method
- low latency Complete Elliptic Curve addition formulae
- Domb-Barret Reduction，详情参见博客：基础算法优化——Fast Modular Multiplication
所实现的MSM算法，具有能耗效率高且速度可媲美GPU的优势。
开源代码实现见：
- https://github.com/ingonyama-zk/cloud-ZK/（C+Rust）（专门针对 AWS EC2 F1 FPGA instance ）
FPGA与GPU相比的劣势在于，GPU为商品化硬件，用户更易于获得。
第一届ZPrize FPGA MSM track winner Hardcaml的性能为：
而实际所实现的PipeMSM的性能要更优。
2. ICICLE：ZKP+GPU
开源代码见：
- https://github.com/ingonyama-zk/icicle（Cuda+Rust）
ICICLE为基于CUDA的GPU库，支持：
- Aleo等应用中的ZK加速。
- Fast Danksharding应用：为以太坊rollup扩容路线图的sharding设计。引入新的名为blob-data的数据类型。blob-data由共识层（beacon链）存储有限的一段时间，不可被执行层（EVM）访问，但blob-data的内容和可用性 可由 执行层（EVM）验证。Danksharding引入builder新角色。builder给proposers提供block proposals，proposers负责根据highest bid来选择block。仅被选中的block builder需要构建整个区块。一旦选中的区块发布，可通过data availability sampling高效验证。详细参看论文：A Mathematical Theory of Danksharding。
核心设计思想为：
开源代码实现见：- https://github.com/ingonyama-zk/fast-danksharding （Python+Rust）
参考资料
[1] Ingonyama团队2022年9月博客 Cloud-ZK: A Toolkit for Developing ZKP Acceleration in the Cloud
[2] https://zprize.hardcaml.com/msm-results.html
[3] Ingonyama团队2023年4月博客 ZK Hardware Table Stakes part 1 -MSM
[4] Ingonyama团队2023年3月博客 Introducing ICICLE: An Open-Source GPU Library for Zero Knowledge Acceleration
[5] Ingonyama团队2023年3月博客 Fast Danksharding using ICICLE
[6] Ingonyama团队博客A Mathematical Theory of Danksharding