OPML: التعلم الآلي المتفائل يوفر فرص جديدة لأنظمة البلوكتشين

OPML( التعلم الآلي المتفائل) هي تقنية ناشئة يمكن من خلالها تنفيذ استنتاج وتدريب نماذج الذكاء الاصطناعي على أنظمة البلوكتشين. مقارنةً بـ ZKML، فإن OPML لديها مزايا التكلفة المنخفضة والكفاءة العالية. حتى على أجهزة الكمبيوتر العادية، يمكن تشغيل نماذج اللغة الكبيرة مثل 7B-LLaMA( بحجم حوالي 26GB) بدون الحاجة إلى وحدات معالجة الرسومات.

تستخدم OPML آلية ألعاب تحقق، مشابهة لـ Truebit ونظام التجميع المتفائل، لضمان اللامركزية والقابلية للتحقق من خدمات ML:

1. يقوم الطالب بإطلاق مهمة خدمة ML
2. الخادم يكمل المهمة ويقدم النتائج إلى الكتلة
3. يتحقق المدقق من النتائج، وإذا اكتشف خطأ يبدأ لعبة التحقق
4. التحكيم النهائي للعقود الذكية

! OPML: التعلم الآلي مع مجموعة متفائلة

لعبة التحقق من مرحلة واحدة

تعمل بروتوكولات تحديد المواقع الدقيقة من مرحلة واحدة بطريقة مشابهة لتفويض الحوسبة (RDoC). في OPML:

• تم بناء آلة افتراضية لتنفيذ العمليات خارج السلسلة والتحكيم على السلسلة (VM)
• تم تنفيذ مكتبة DNN خفيفة الوزن مخصصة، مما يعزز كفاءة استنتاج نماذج الذكاء الاصطناعي
• استخدام تقنية الترجمة المتقاطعة لترجمة كود استدلال نموذج AI إلى تعليمات VM
• يتم إدارة صور VM باستخدام شجرة ميركل، فقط يتم رفع التجزئة الجذرية على البلوكتشين

تشير الاختبارات إلى أنه يمكن إكمال استدلال نموذج الذكاء الاصطناعي الأساسي على الكمبيوتر الشخصي في غضون ثانيتين، ويمكن إتمام العملية بالكامل في غضون دقيقتين.

! OPML: التعلم الآلي مع نظام التجميع المتفائل

لعبة التحقق متعددة المراحل

للتغلب على قيود البروتوكول ذي المرحلة الواحدة, تم اقتراح توسيع البروتوكول متعدد المراحل:

• يتم الحساب فقط في المرحلة الأخيرة في VM، بينما يمكن تنفيذ المراحل الأخرى في بيئة الجهاز المحلي
• استخدام CPU و GPU و TPU وحتى المعالجة المتوازية، لتحسين الأداء بشكل ملحوظ
• اعتماد شجرة ميركل لضمان سلامة وأمان تحويلات المراحل

طريقة OPML ذات المرحلتين باستخدام نموذج LLaMA:

1. المرحلة الثانية: إجراء لعبة التحقق على الرسم البياني الحسابي، يمكن استخدام وحدة المعالجة المركزية متعددة الخيوط أو وحدة معالجة الرسوميات
2. المرحلة الأولى: تحويل حساب العقدة الفردية إلى تعليمات VM

! OPML: التعلم الآلي مع مجموعة متفائلة

تحسين الأداء

إطار التحقق من المراحل المتعددة مقارنةً بـ OPML المرحلة الواحدة:

• سرعة الحساب زادت بمقدار α مرة (α هي تسريع GPU أو الحساب المتوازي )
• تم تقليل حجم شجرة ميركل من O(mn) إلى O(m+n)

الاتساق واليقين

لضمان اتساق نتائج ML، تستخدم OPML:

1. خوارزمية ثابتة ( تقنية التQuantification ): استخدام دقة ثابتة بدلاً من الأرقام العشرية.
2. مكتبة الفاصلة العائمة المعتمدة على البرنامج: ضمان الاتساق عبر الأنظمة الأساسية

هذه الطرق حلّت بفعالية التحديات التي تسببت بها متغيرات الفاصلة العائمة واختلافات المنصات، مما عزز موثوقية حسابات OPML.

على الرغم من أن OPML لا يزال قيد التطوير، إلا أنه أظهر إمكانات هائلة. إنه لا يدعم فقط استنتاج النماذج، بل هو مناسب أيضًا لعملية التدريب، مما يوفر حلاً شاملاً لمهام تعلم الآلة على البلوكتشين.

! OPML: التعلم الآلي مع نظام التجميع المتفائل