OPML: تحسين تقنيات التعلم الآلي في أنظمة البلوكتشين

OPML(التعلم الآلي المتفائل) هو تقنية جديدة يمكنها إجراء استدلال وتدريب/تعديل نماذج الذكاء الاصطناعي على أنظمة البلوكتشين. مقارنةً بـ ZKML، فإن OPML يتمتع بتكاليف أقل وكفاءة أعلى. عتبة المشاركة فيه منخفضة، حيث يمكن لأجهزة الكمبيوتر العادية تشغيل نماذج اللغة الكبيرة، مثل 26GB من 7B-LLaMA، دون الحاجة إلى GPU.

تستخدم OPML آلية لعبة التحقق لضمان اللامركزية وقابلية التحقق لخدمات ML. سير العمل الخاص بها هو كما يلي:

1. يقوم الطلب بإطلاق مهمة خدمة ML
2. الخادم يكمل المهمة ويقدم النتائج إلى البلوكتشين
3. يتحقق المدقق من النتائج، وإذا كان هناك اعتراض، يتم بدء لعبة التحقق
4. تنفيذ التحكيم النهائي على العقود الذكية

! OPML: التعلم الآلي مع مجموعة متفائلة

لعبة التحقق من المرحلة الواحدة

تستخدم لعبة التحقق من المرحلة الواحدة بروتوكول تحديد المواقع بدقة، مشابه لتفويض الحساب (RDoC). تحتوي على العناصر الأساسية التالية:

• بناء آلة افتراضية للتنفيذ خارج السلسلة والتحكيم على السلسلة (VM)
• تنفيذ مكتبة DNN خفيفة الوزن مخصصة، لزيادة كفاءة استدلال نماذج الذكاء الاصطناعي
• استخدام تقنية الترجمة المتقاطعة لتحويل كود استدلال الذكاء الاصطناعي إلى تعليمات VM
• إدارة صور VM باستخدام شجرة ميركل، فقط تحميل تجزئة الجذر إلى البلوكتشين

أظهرت الاختبارات أنه يمكن إكمال استنتاج نموذج AI الأساسي على جهاز كمبيوتر عادي في غضون ثانيتين، ويمكن إكمال عملية التحدي بأكملها في غضون دقيقتين.

! OPML: التعلم الآلي مع نظام التجميع المتفائل

لعبة التحقق متعددة المراحل

للتغلب على قيود البروتوكول ذو المرحلة الواحدة، نقترح لعبة التحقق متعددة المراحل:

• يتم الحساب فقط في المرحلة الأخيرة داخل VM، بينما يمكن تنفيذ المراحل الأخرى في البيئة المحلية
• الاستفادة الكاملة من قدرات تسريع الأجهزة مثل وحدة المعالجة المركزية، ووحدة معالجة الرسوميات، ووحدة المعالجة tensor
• تحسين كبير في أداء التنفيذ، قريب من مستوى البيئة المحلية

كمثال على OPML ذو المرحلتين:

• المرحلة الثانية: إجراء التحقق على الرسم البياني للحساب، يمكن استخدام تسريع GPU
• المرحلة الأولى: تحويل حساب العقدة الفردية إلى تنفيذ تعليمات VM

تصميم متعدد المراحل يحسن الأداء بشكل ملحوظ:

• سرعة الحساب زادت بمقدار α مرة ( α بالنسبة لتسريع GPU )
• حجم شجرة ميركل انخفض من O(mn) إلى O(m+n)

! OPML: التعلم الآلي مع مجموعة متفائلة

! OPML: التعلم الآلي مع مجموعة متفائلة

التناسق واليقين

لضمان اتساق نتائج ML ، تستخدم OPML:

1. خوارزمية الثبات ( تقنية الكوانت ): استخدام تمثيل دقيق ثابت، وتقليل أخطاء الفاصلة العائمة
2. مكتبة الفاصلة العائمة للبرمجيات: الحفاظ على التناسق عبر المنصات

هذه الطرق حلت بفعالية مشكلة اختلاف الحسابات العائمة في بيئات الأجهزة والبرامج المختلفة.

بشكل عام، يوفر OPML حلاً فعالاً ومنخفض التكلفة لتطبيقات الذكاء الاصطناعي على البلوكتشين. إنه يدعم ليس فقط استنتاج النماذج، ولكن يمكن استخدامه أيضًا لتدريب النماذج، وهو إطار عمل عام للتعلم الآلي.

! OPML: التعلم الآلي مع نظام التجميع المتفائل