OPML: نظام البلوكتشين على التعلم الآلي المتفائل

OPML(التعلم الآلي المتفائل) هو طريقة جديدة لاستنتاج وتدريب نماذج الذكاء الاصطناعي على البلوكتشين. مقارنةً بـ ZKML، يمكن لـ OPML تقديم خدمات التعلم الآلي بتكلفة أقل وكفاءة أعلى. المتطلبات المادية لـ OPML منخفضة، حيث يمكن لجهاز الكمبيوتر العادي العمل على نماذج اللغة الكبيرة مثل 7B-LLaMA( بحوالي 26GB) بدون وحدة معالجة الرسومات.

تستخدم OPML آلية لعبة التحقق لضمان اللامركزية والإجماع القابل للتحقق لخدمات ML:

1. يقوم الطلب بإطلاق مهمة خدمة ML
2. أكمل الخادم المهمة وقدم النتائج على البلوكتشين
3. يتحقق المدققون من النتائج، وإذا كانت هناك اعتراضات، يتم بدء لعبة التحقق
4. أخيرًا، إجراء التحكيم خطوة بخطوة على العقد الذكي

! OPML: التعلم الآلي مع مجموعة متفائلة

لعبة التحقق من مرحلة واحدة

النقاط الرئيسية لـ OPML من مرحلة واحدة:

• بناء آلة افتراضية مكافئة للتنفيذ خارج السلسلة والتحكيم على السلسلة (VM)
• تنفيذ مكتبة DNN خفيفة الوزن مخصصة، لزيادة كفاءة استنتاج الذكاء الاصطناعي
• ترجمة كود استدلال نموذج الذكاء الاصطناعي إلى تعليمات VM
• استخدام شجرة ميركل لإدارة صور VM، فقط تحميل الجذر هاش على البلوكتشين

بروتوكول الانقسام يستخدم لتحديد خطوات النزاع، وإرسالها إلى عقد التحكيم على البلوكتشين.

أظهرت اختبارات الأداء أن نموذج الذكاء الاصطناعي الأساسي ( تصنيف MNIST DNN) أكمل الاستنتاج في أقل من ثانيتين داخل VM، وتمت العملية الكاملة للتحدي على شبكة الإيثيريوم المحلية في أقل من دقيقتين.

! OPML: التعلم الآلي مع نظام التجميع المتفائل

لعبة التحقق متعددة المراحل

لتجاوز قيود البروتوكول ذو المرحلة الواحدة، نقترح OPML متعدد المراحل:

• يتم حساب المرحلة الأخيرة فقط في VM، بينما يمكن تنفيذ المراحل الأخرى في البيئة المحلية
• استخدام تسريع الأجهزة مثل وحدة المعالجة المركزية، وحدة معالجة الرسومات، وحدة معالجة Tensor، لتحسين الأداء
• استخدام شجرة ميركل لضمان سلامة وأمان الانتقال بين المراحل

نموذج LLaMA كمثال على OPML ذو مرحلتين:

1. المرحلة الثانية: إجراء لعبة التحقق على الرسم البياني، يمكن استخدام وحدة المعالجة المركزية المتعددة الخيوط أو وحدة معالجة الرسومات
2. المرحلة الأولى: تحويل حسابات العقد الفردي إلى تعليمات VM

الطريقة متعددة المراحل حسنت بشكل كبير من كفاءة التحقق، خاصة بالنسبة للحسابات المعقدة.

! OPML: التعلم الآلي مع مجموعة متفائلة

تحسين الأداء

افترض أن مخطط حساب DNN يحتوي على n عقدة، كل عقدة تحتاج إلى m تعليمات VM، ونسبة تسريع GPU هي α:

1. سرعة OPML ذات المرحلتين أعلى بمعدل α من المرحلة الواحدة
2. حجم شجرة ميركل لـ OPML ذات المرحلتين هو O(m+n)، وهو أصغر بكثير من حجم الشجرة ذات المرحلة الواحدة O(mn)

إطار متعدد المراحل يعزز بشكل كبير من كفاءة الحساب وقابلية توسيع النظام.

! OPML: التعلم الآلي مع مجموعة متفائلة

التناسق واليقين

لحل مشكلة عدم الاتساق في حسابات النقطة العائمة على منصات الأجهزة المختلفة، يعتمد OPML على:

1. خوارزمية النقطة الثابتة ( تقنية الكوانت ): استخدام الدقة الثابتة بدلاً من الأعداد العشرية
2. مكتبة نقطية متسقة عبر المنصات تستند إلى البرمجيات

تضمن هذه الطرق اتساق وموثوقية نتائج حساب OPML.

OPML مقابل ZKML

لـ OPML مزايا مقارنة بـ ZKML كما يلي:

• متطلبات الأجهزة الأقل
• سرعة تنفيذ أسرع
• يدعم أحجام نماذج أكبر
• مناسب لمجموعة واسعة من مهام ML

حالياً يركز OPML بشكل أساسي على استنتاج النموذج، لكن الإطار يدعم أيضاً عملية تدريب النموذج. لا يزال مشروع OPML قيد التطوير المستمر، ونرحب بالمطورين المهتمين بالمشاركة والمساهمة.

! OPML: التعلم الآلي مع نظام التجميع المتفائل