OPML: Optimisticメカニズムに基づく効率的なブロックチェーン機械学習ソリューション

OPML（Optimistic機械学習）は新しいタイプのブロックチェーン機械学習技術で、Optimistic手法を通じてAIモデルの推論とトレーニング/ファインチューニングを実現します。ZKMLと比較して、OPMLはコストが低く、効率が高い利点があり、参加のハードルも低いです。現在、一般のPCはGPUなしで、大型言語モデル（例えば、26GBの7B-LLaMA）を実行することができます。

OPMLは、MLサービスの分散化と検証可能性を確保するために、検証ゲームメカニズムを採用しています。その基本的な流れは以下の通りです。

1. リクエスターはMLサービスタスクを開始します。
2. サーバーはタスクを完了し、結果をブロックチェーンに提出します。
3. バリデーターは結果を確認し、異議がある場合は検証ゲームを開始します。
4. スマートコントラクトによるステップアービトレーション

! OPML:楽観的ロールアップによる機械学習

シングルステージ検証ゲーム

単一段階OPMLは、計算委任（RDoC）に似た精密位置決定プロトコルを採用しています。主な特徴は次のとおりです：

• オフチェーン実行とオンチェーン仲裁の仮想マシン（VM）
• 軽量DNNライブラリを実現し、AIモデルの推論効率を向上させる
• AI推論コードをVM命令にクロスコンパイル技術を使用してコンパイルする
• VMイメージはメルクルツリーによって管理され、ルートハッシュのみがブロックチェーンにアップロードされます

性能テストでは、基本的なAIモデル（MNIST分類DNN）がPC上で2秒以内にVM推論を完了できることが示され、全体のチャレンジプロセスはローカルEthereumテスト環境で2分以内に完了できます。

! OPML:楽観的ロールアップシステムによる機械学習

マルチステージ認証ゲーム

単一段階プロトコルの限界を克服するために、OPMLはGPU/TPUと並列処理能力を最大限に活用するために多段階プロトコルを導入しました。多段階OPMLの主な利点：

• 最後の段階のみVMで計算し、他の段階はローカル環境で実行できます
• 実行性能を大幅に向上させ、ローカル環境レベルに近づける
• メルクルツリーを採用して、段階間の変換の完全性と安全性を確保する

LLaMAモデルを例にとると、二段階OPML方法は次の通りです：

1. ML計算プロセスを計算グラフとして表現する
2. 計算グラフ上で検証ゲームを行う（第二段階）
3. 争議のあるノードの計算をVM命令に変換する（第一段階）

多段階OPMLは単段階のソリューションと比較して、α倍の計算速度向上を実現します（αはGPUまたは並列計算の加速比を表します）。さらに、多段階ソリューションのマークルツリーのサイズは大幅に小さくなり、効率とスケーラビリティがさらに向上します。

! OPML:楽観的ロールアップによる機械学習

一貫性と確実性

ML結果の一貫性を確保するために、OPMLは以下の戦略を採用します：

1. 定点アルゴリズム（量子化技術）を使用して浮動小数点の丸め誤差を減らす
2. ソフトウェアベースの浮動小数点ライブラリを採用し、クロスプラットフォームの一貫性を保証します。

これらの方法は、浮動小数点変数とプラットフォームの違いによる課題を効果的に克服し、OPML計算の信頼性を高めました。

! OPML:楽観的ロールアップによる機械学習

OPMLとZKMLの比較

OPMLはZKMLに比べて以下の利点があります：

• より低いハードウェア要件
• より高い実行効率
• より大規模なモデルをサポート
• モデルのトレーニングが可能です（ZKMLは推論のみサポート）

OPMLプロジェクトは現在も継続的に開発されていることに注意が必要で、興味のある開発者の参加と貢献を歓迎します。

! OPML:楽観的ロールアップシステムによる機械学習