OPML: نظام تعلم الآلة على البلوكتشين القائم على أسلوب التفاؤل

OPML(التفاؤلية التعلم الآلي) هو نظام جديد من أنظمة الذكاء الاصطناعي للبلوكتشين، يمكن استخدامه لتفسير وتدريب/تعديل نماذج الذكاء الاصطناعي بطريقة تفاؤلية على أنظمة البلوكتشين. مقارنةً بـ ZKML، يمكن أن يقدم OPML خدمات تعلم آلي بتكاليف أقل وكفاءة أعلى. متطلبات الأجهزة لـ OPML منخفضة جداً، يمكن لجهاز الكمبيوتر العادي تشغيل نماذج اللغة الكبيرة، مثل نموذج 7B-LLaMA الذي يبلغ حوالي 26 جيجابايت.

يستخدم OPML آلية ألعاب التحقق لضمان لامركزية خدمات ML و توافق قابل للتحقق. تسلسلها الأساسي كما يلي:

1. قام المُطالِب بإطلاق مهمة خدمات ML
2. الخادم يكمل المهمة ويقدم النتائج إلى البلوكتشين
3. يتحقق المُصادق من النتائج، وإذا كانت هناك نزاعات يتم بدء لعبة التحقق.
4. تحديد خطوات الخطأ بدقة من خلال بروتوكول تقسيم.
5. إجراء تحكيم خطوة بخطوة على العقد الذكي

! OPML: التعلم الآلي مع مجموعة متفائلة

لعبة التحقق من المرحلة الواحدة

آلية عمل بروتوكول تحديد المواقع بدقة من مرحلة واحدة تشبه تفويض الحساب (RDoC)، حيث يفترض أن عدة أطراف تنفذ نفس البرنامج، من خلال التشكيك المتبادل للكشف عن خطوات النزاع، ثم يتم التحكيم بواسطة عقود ذكية على البلوكتشين.

الميزات الرئيسية للعبة التحقق من المرحلة الواحدة OPML:

• بناء آلة افتراضية مخصصة (VM) للتنفيذ خارج السلسلة والتحكيم على السلسلة
• تنفيذ مكتبة DNN خفيفة الوزن لتحسين كفاءة استدلال الذكاء الاصطناعي
• استخدام تقنية الترجمة المتقاطعة لتحويل كود AI إلى تعليمات VM
• يتم إدارة صور VM باستخدام شجرة ميركل، حيث يتم تحميل التجزئة الجذرية فقط إلى السلسلة

أظهرت الاختبارات أنه يمكن إكمال استنتاج DNN الأساسي في أقل من ثانيتين على جهاز الكمبيوتر العادي، ويمكن إكمال العملية التحدي بأكملها في غضون دقيقتين.

! OPML: التعلم الآلي مع نظام التجميع المتفائل

لعبة التحقق من عدة مراحل

لتجاوز قيود الحل أحادي المرحلة، قدمت OPML لعبة التحقق متعددة المراحل:

• استخدم VM فقط في المرحلة الأخيرة، يمكن تنفيذ المراحل الأخرى في البيئة المحلية
• الاستفادة الكاملة من قدرات تسريع الأجهزة مثل CPU و GPU و TPU
• من خلال تقليل اعتماد VM, تحسين أداء التنفيذ بشكل ملحوظ

التصميم الرئيسي لـ OPML متعدد المراحل:

1. تمثيل عملية حساب ML كرسوم بيانية للحساب
2. إجراء تحقيق على مستوى الرسم البياني في لعبة التحقق (Phase-2)
3. تحويل حساب نقاط النزاع إلى تعليمات VM لإجراء تحقق المرحلة الأولى
4. استخدام شجرة ميركل لضمان التكامل والأمان عبر المراحل

! OPML: التعلم الآلي مع مجموعة متفائلة

تحسين الأداء

تشير التحليلات إلى أن OPML متعدد المراحل له مزايا كبيرة مقارنة بالخطة أحادية المرحلة:

• سرعة الحساب زادت بمقدار α مرة ( α لـ GPU / نسبة تسريع متوازية )
• حجم شجرة ميركل انخفض من O(mn) إلى O(m+n)

هذه التحسينات زادت بشكل كبير من كفاءة النظام وقابلية التوسع.

! OPML: التعلم الآلي مع مجموعة متفائلة

التناسق واليقين

لضمان اتساق نتائج OPML، تم اتخاذ التدابير التالية:

1. استخدم خوارزمية ثابتة ( تقنية التكميم ) لتقليل تأثير أخطاء الفاصلة العائمة
2. استخدام مكتبة النقاط العائمة البرمجية المتسقة عبر الأنظمة الأساسية

تتغلب هذه التقنيات بفعالية على التحديات الناجمة عن متغيرات الفاصلة العائمة واختلافات النظام الأساسي.

تتمتع OPML بمزايا ملحوظة في خفض التكاليف وزيادة الكفاءة، مما يفتح آفاق جديدة لتطبيقات الذكاء الاصطناعي في البلوكتشين. لا يزال المشروع قيد التطوير المستمر، مرحبًا بالمطورين المهتمين للانضمام والمساهمة.

! OPML: التعلم الآلي مع نظام التجميع المتفائل