OPML: Pembelajaran Mesin Optimis di Sistem Blockchain

OPML(Optimistic Machine Learning) adalah metode baru untuk inferensi dan pelatihan model AI blockchain. Dibandingkan dengan ZKML, OPML dapat menyediakan layanan machine learning dengan biaya yang lebih rendah dan efisiensi yang lebih tinggi. Persyaratan perangkat keras OPML cukup rendah, PC biasa dapat menjalankan model bahasa besar seperti 7B-LLaMA( tanpa GPU sekitar 26GB).

OPML menggunakan mekanisme permainan verifikasi untuk memastikan desentralisasi layanan ML dan konsensus yang dapat diverifikasi:

1. Pengaju memulai tugas layanan ML
2. Server menyelesaikan tugas dan mengirimkan hasil ke Blockchain
3. Validator memeriksa hasil, jika ada keberatan maka memulai permainan verifikasi
4. Akhirnya melakukan arbitrase langkah demi langkah di kontrak pintar

Permainan Verifikasi Satu Tahap

Poin kunci OPML satu tahap:

• Membangun mesin virtual yang setara untuk eksekusi off-chain dan arbitrase on-chain (VM)
• Mewujudkan perpustakaan DNN ringan khusus, meningkatkan efisiensi inferensi AI
• Mengompilasi silang kode inferensi model AI menjadi instruksi VM
• Menggunakan pohon Merkle untuk mengelola gambar VM, hanya mengunggah hash akar ke rantai

Protokol dua bagian digunakan untuk mengidentifikasi langkah-langkah yang dipertentangkan dan mengirimkannya ke kontrak arbitrase di blockchain.

Pengujian kinerja menunjukkan, model AI dasar ( klasifikasi MNIST DNN ) menyelesaikan inferensi dalam 2 detik di VM, seluruh proses tantangan selesai dalam waktu 2 menit di jaringan pengujian Ethereum lokal.

Permainan Verifikasi Multi-Tahap

Untuk mengatasi keterbatasan protokol satu tahap, kami mengusulkan OPML multi-tahap:

• Hanya tahap terakhir yang dihitung di VM, tahap lainnya dapat dijalankan di lingkungan lokal
• Memanfaatkan akselerasi perangkat keras seperti CPU, GPU, TPU, untuk meningkatkan kinerja
• Menggunakan pohon Merkle untuk memastikan integritas dan keamanan transisi antar tahap

Contoh dua tahap OPML dengan model LLaMA:

1. Tahap kedua: Melakukan permainan verifikasi pada grafik perhitungan, dapat menggunakan CPU atau GPU multi-thread.
2. Tahap Pertama: Mengubah perhitungan node tunggal menjadi instruksi VM

Metode multi-tahap secara signifikan meningkatkan efisiensi verifikasi, terutama untuk perhitungan yang kompleks.

Peningkatan Kinerja

Misalkan grafik komputasi DNN memiliki n node, setiap node memerlukan m instruksi VM, rasio percepatan GPU adalah α:

1. OPML dua fase lebih cepat α kali dibandingkan fase tunggal
2. Ukuran pohon Merkle OPML dua tahap adalah O(m+n), jauh lebih kecil daripada tahap tunggal O(mn)

Kerangka multistage secara signifikan meningkatkan efisiensi komputasi dan skalabilitas sistem.

Konsistensi dan Determinisme

Untuk mengatasi masalah ketidakcocokan perhitungan floating point di berbagai platform perangkat keras, OPML menggunakan:

1. Algoritma titik tetap ( teknologi kuantifikasi ): menggunakan presisi tetap sebagai pengganti bilangan pecahan
2. Perpustakaan floating point konsisten lintas platform berbasis perangkat lunak

Metode ini memastikan konsistensi dan keandalan hasil perhitungan OPML.

OPML vs ZKML

OPML memiliki keunggulan berikut dibandingkan ZKML:

• Persyaratan perangkat keras yang lebih rendah
• Kecepatan eksekusi yang lebih cepat
• Mendukung skala model yang lebih besar
• Cocok untuk tugas ML yang lebih luas

Saat ini OPML terutama berfokus pada inferensi model, tetapi kerangka kerja juga mendukung proses pelatihan model. Proyek OPML masih dalam pengembangan berkelanjutan, dan pengembang yang tertarik dipersilakan untuk berkontribusi.