OPML: خطة فعالة لتعلم الآلة على البلوكتشين قائمة على آلية التفاؤل

OPML (التعلم الآلي المتفائل) هو نوع جديد من تقنيات التعلم الآلي على البلوكتشين، يحقق استدلال وتدريب/تحسين نماذج الذكاء الاصطناعي من خلال الطريقة المتفائلة. مقارنةً بـ ZKML، يتمتع OPML بميزة انخفاض التكلفة وارتفاع الكفاءة، بالإضافة إلى انخفاض عتبة المشاركة. حالياً، يمكن للكمبيوتر الشخصي العادي تشغيل نماذج اللغة الكبيرة مثل 26GB من 7B-LLaMA بدون GPU.

تستخدم OPML آلية لعبة التحقق لضمان اللامركزية وقابلية التحقق من خدمات ML. العملية الأساسية هي كما يلي:

1. يطلق مقدم الطلب مهمة خدمة ML
2. أكمل الخادم المهمة وقدم النتائج على الكتلة
3. يتحقق المدققون من النتائج، وإذا كانت هناك أي اعتراضات، يتم بدء لعبة التحقق
4. التحكيم خطوة بخطوة من خلال العقود الذكية

! OPML: التعلم الآلي مع مجموعة متفائلة

لعبة التحقق من المرحلة الواحدة

تستخدم OPML ذات المرحلة الواحدة بروتوكول تحديد الموقع الدقيق، مشابه لتفويض الحساب (RDoC). تشمل الميزات الرئيسية:

• بناء جهاز افتراضي (VM) للتنفيذ خارج السلسلة والتحكيم على السلسلة
• تحقيق مكتبة DNN خفيفة الوزن، وزيادة كفاءة استدلال نموذج الذكاء الاصطناعي
• استخدام تقنية الترجمة المتقاطعة لتحويل كود استدلال الذكاء الاصطناعي إلى تعليمات VM
• يتم إدارة صور VM من خلال شجرة ميركل، حيث يتم تحميل تجزئة الجذر فقط على البلوكتشين

أظهرت اختبارات الأداء أن النموذج الأساسي للذكاء الاصطناعي (DNN تصنيف MNIST) يمكنه إكمال استدلال VM على الكمبيوتر الشخصي في غضون ثانيتين، بينما يمكن إكمال العملية الكاملة للتحدي في بيئة اختبار الإيثيريوم المحلية في غضون دقيقتين.

! OPML: التعلم الآلي مع نظام التجميع المتفائل

لعبة التحقق متعددة المراحل

لتجاوز قيود بروتوكول المرحلة الواحدة، قدمت OPML بروتوكول متعدد المراحل للاستفادة الكاملة من قدرات معالجة GPU/TPU والمعالجة المتوازية. المزايا الرئيسية لبروتوكول OPML متعدد المراحل هي:

• يتم حساب المرحلة الأخيرة فقط في VM، بينما يمكن تنفيذ المراحل الأخرى في البيئة المحلية
• تحسين كبير في أداء التنفيذ ، قريب من مستوى البيئة المحلية
• استخدام شجرة ميركل لضمان سلامة وأمان التحويلات بين المراحل

على سبيل المثال، طريقة OPML ذات المرحلتين باستخدام نموذج LLaMA هي كما يلي:

1. تمثيل عملية حساب ML كرسوم بيانية حسابية
2. إجراء لعبة التحقق على الرسم البياني (المرحلة الثانية)
3. تحويل حسابات العقد المتنازع عليها إلى تعليمات VM (المرحلة الأولى)

يمكن أن تحقق OPML متعددة المراحل تسريعًا في الحساب بمقدار α مرة مقارنةً بالحل الأحادي المرحلة (حيث α هو نسبة تسريع GPU أو الحوسبة المتوازية). بالإضافة إلى ذلك، فإن حجم شجرة ميركل في الحل متعدد المراحل ينخفض بشكل ملحوظ، مما يزيد من الكفاءة وقابلية التوسع.

! OPML: التعلم الآلي مع مجموعة متفائلة

التناسق واليقين

لضمان اتساق نتائج ML، تتبنى OPML الاستراتيجيات التالية:

1. استخدام خوارزمية النقاط الثابتة (تقنية التكميم) لتقليل أخطاء تقريب النقطة العائمة
2. استخدام مكتبة الفاصلة العائمة المعتمدة على البرمجيات، لضمان الاتساق عبر المنصات

تتغلب هذه الطرق بفعالية على التحديات التي تطرحها متغيرات الفاصلة العائمة والفروق بين المنصات، مما يعزز موثوقية حسابات OPML.

! OPML: التعلم الآلي مع مجموعة متفائلة

OPML مقابل ZKML

تتمتع OPML بالمزايا التالية مقارنة بـ ZKML:

• متطلبات الأجهزة الأقل
• كفاءة تنفيذ أعلى
• يدعم نماذج أكبر حجماً
• يمكن إجراء تدريب النموذج (ZKML يدعم فقط الاستدلال)

من الجدير بالذكر أن مشروع OPML لا يزال قيد التطوير المستمر، وندعو المطورين المهتمين للمشاركة في المساهمة.

! OPML: التعلم الآلي مع نظام التجميع المتفائل