OPML: İyimser Makine Öğrenimi Blok Zinciri Sistemlerine Yeni Fırsatlar Getiriyor

OPML(iyimser Makine Öğrenimi), Blok Zinciri sistemlerinde AI modellerinin çıkarım ve eğitimi için uygulanabilen yeni bir teknolojidir. ZKML ile karşılaştırıldığında, OPML düşük maliyet ve yüksek verimlilik avantajına sahiptir. Normal bir PC'de, GPU olmadan 7B-LLaMA( gibi büyük dil modellerini yaklaşık 26GB) çalıştırmak mümkündür.

OPML, ML hizmetlerinin merkeziyetsizliğini ve doğrulanabilirliğini sağlamak için Truebit ve optimistik özetleme sistemine benzer bir doğrulama oyun mekanizması kullanmaktadır:

1. İstekçi ML hizmet görevini başlatır
2. Sunucu görevi tamamlar ve sonucu zincire gönderir
3. Doğrulayıcı sonuçları kontrol eder, eğer bir hata bulunursa doğrulama oyunu başlatılır.
4. Akıllı sözleşme nihai tahkim gerçekleştirir

Tek Aşamalı Doğrulama Oyunu

Tek aşamalı hassas konumlandırma protokolünün çalışma prensibi ve hesaplama yetkisi (RDoC) ile benzerdir. OPML'de:

• Zincir dışı yürütme ve zincir içi tahkim için oluşturulmuş sanal makine (VM)
• Özel bir hafif DNN kütüphanesi geliştirildi, AI modelinin çıkarım verimliliğini artırdı.
• AI modelinin çıkarım kodunu VM talimatlarına dönüştürmek için çapraz derleme teknolojisi kullanın
• VM görüntüsü, yalnızca kök hash'ini zincire yükleyerek Merkle ağacı ile yönetilir.

Testler, PC'de temel AI modeli çıkarımının 2 saniye içinde tamamlanabileceğini ve tüm zorluk sürecinin 2 dakika içinde tamamlanabileceğini göstermektedir.

Çok Aşamalı Doğrulama Oyunu

Tek aşamalı protokolün sınırlamalarını aşmak için çok aşamalı protokol genişlemesi önerildi:

• Sadece son aşama VM'de hesaplanır, diğer aşamalar yerel ortamda yürütülebilir.
• CPU, GPU, TPU ve hatta paralel işleme kullanarak performansı önemli ölçüde artırma
• Aşama geçişlerinin bütünlüğünü ve güvenliğini sağlamak için Merkle ağaçları kullanılır.

LLaMA modelini örnek alan iki aşamalı OPML yöntemi:

1. İkinci Aşama: Hesaplama grafiği üzerinde doğrulama oyunu gerçekleştirilir, çoklu iş parçacığı CPU veya GPU kullanılabilir.
2. Birinci Aşama: Tek bir düğüm hesaplamasını VM talimatlarına dönüştürme

Performans İyileştirmeleri

Çok aşamalı doğrulama çerçevesi, tek aşamalı OPML ile karşılaştırıldığında:

• Hesaplama hızı artırımı α katı ( α, GPU veya paralel hesaplama hızlandırma oranıdır )
• Merkle ağacı boyutu O(mn)'den O(m+n)'e düşürüldü.

Tutarlılık ve Belirlilik

ML sonuçlarının tutarlılığını sağlamak için, OPML şunu kullanır:

1. Kesin Nokta Algoritması ( Kuantizasyon Teknolojisi ): Kesin hassasiyet kullanarak kayan nokta yerine.
2. Yazılım Tabanlı Float Kütüphanesi: Platformlar Arası Tutarlılığı Sağlamak

Bu yöntemler, kayan nokta değişkenleri ve platform farklılıklarının neden olduğu zorlukları etkili bir şekilde çözdü ve OPML hesaplamalarının güvenilirliğini artırdı.

OPML hala geliştirilme aşamasında olmasına rağmen, büyük bir potansiyel sergilemiştir. Bu, yalnızca model çıkarımını desteklemekle kalmaz, aynı zamanda eğitim sürecine de uygundur, blok zinciri sistemleri üzerindeki makine öğrenimi görevleri için kapsamlı bir çözüm sunar.