HEIR מוריד את החסם לשימוש בהצפנה הומומורפית מלאה (FHE) לחישובי למידת מכונה. מפתח יכול לקחת מודל מאומן רגיל, להעביר אותו דרך שלבי ההידור של HEIR, וליצור קובץ הרצה שעובד על טקסטים מוצפנים. השרת לעולם אינו רואה את הקלטים הגלויים או את הפלטים של המודל, ובכך מספק פרטיות קריפטוגרפית מאובטחת לנתוני המשתמש . התכנון הרב-שכבתי של HEIR מטפל באופן אוטומטי במשימות כמו סידור נתונים מוצפנים (packing), בחירת פרמטרים ותרגום לפעולות אריתמטיות
. הפרויקט שואף לאפשר תאימות בין תוכניות FHE לבין שיטות הצפנה שונות, מהדרים ומאיצי חומרה
.
כל ארבע ההדגמות רצו על מימושי מעבד (CPU) בעל ליבה אחת . גוגל טרם פרסמה נתוני השהיה המוכיחים ביצועי זמן אמת עבור רוב עומסי העבודה
.
שותפים למאיצי חומרה – גוגל עובדת עם יצרניות חומרה ייעודית להאצת חישובי FHE:
HEIR מייצר קוד צד אחורי עבור FPGA של Belfort בשפת Rust ועבור TPU של גוגל דרך ספריית Python jaxite . צוות המחקר הראשון ל-FPGA ב-HEIR הוצג בוועידת FHE.org ב-2026, והעריך צינורות בוליאניים לעומת אריתמטיים להאצת FHE מעשית, בעבודה משותפת של חוקרים מ-KU Leuven וגוגל
.
שותפים אקדמיים – בין הכותבים השותפים במאמר על HEIR: חוקרים מ-Intel (אלכסנדר ויאנד), Moreh (ג'אהו צ'וי), KU Leuven, UC Santa Barbara, אוניברסיטת מישיגן, אן ארבור, ואוניברסיטת צינגהואה . הרשימה הרחבה יותר כוללת גם את Georgia Tech ו-Carnegie Mellon
.
FHE נשאר איטי באופן מהותי. מדדים עצמאיים מאמצע 2026 קובעים שחישובי FHE עדיין פי 1,000 עד פי 10,000 איטיים יותר מחישוב מקביל בטקסט גלוי, בהתאם לשיטה ולפעולה . שיפורים באלגוריתמים, אופטימיזציית מהדרים, טכניקות עיבוד קבוצתי (batching) והאצת חומרה ייעודית הביאו ביחד לעליית ביצועים של פי 1,000 עד פי 10,000 בהשוואה למימושים מלפני חמש שנים – אך הפער מול חישוב לא מוצפן נותר גדול עבור רוב עומסי העבודה
.
הדגמות HEIR של גוגל רצו על CPU בעל ליבה בודדת, והחברה טרם פרסמה נתוני שהייה בזמן אמת עבור רוב עומסי העבודה . האצת חומרה משותפים כמו Belfort ו-Niobium צפויה לשפר את המהירות, אך יתרונות אלה טרם הוכחו בייצור
. במחקר שבחן שלוש מסגרות FHE מובילות – כולל HEIR של גוגל – התגלו 21 תקלות בשכבות שונות, מתוכן 16 שגיאות לוגיות שהובילו לחישובים שגויים שקטים ו-5 קריסות
.