OPML: تقنية التعلم الآلي المعتمدة على منهج التفاؤل

OPML(التعلم الآلي المتفائل) هو تقنية ناشئة تستخدم طرق التفاؤل لإجراء استنتاج وتدريب/تعديل نماذج الذكاء الاصطناعي على أنظمة البلوكتشين. بالمقارنة مع ZKML، يمكن لـ OPML تقديم خدمات ML بتكاليف أقل وكفاءة أعلى. واحدة من المزايا الكبيرة لـ OPML هي متطلبات المشاركة المنخفضة - حيث يمكن حاليًا للكمبيوتر الشخصي العادي بدون GPU تشغيل OPML الذي يحتوي على نماذج لغوية كبيرة( مثل 7B-LLaMA) بحجم 26 جيجابايت.

تستخدم OPML آلية لعبة التحقق لضمان لامركزية خدمات ML وConsensus القابل للتحقق. سير العمل الخاص بها هو كما يلي:

1. يقوم الطلب بإطلاق مهمة خدمة ML
2. أكمل الخادم المهمة وقدم النتائج على السلسلة
3. يتحقق المدققون من النتائج
4. في حالة وجود نزاع، يتم تحديد الخطوات الخاطئة بدقة من خلال اتفاقية التحكيم.
5. التحكيم على خطوة فردية في العقد الذكي

! OPML: التعلم الآلي مع مجموعة متفائلة

لعبة التحقق من مرحلة واحدة

الجوهر الأساسي للعبة التحقق من المرحلة الواحدة هو بروتوكول تحديد الموقع بدقة، ويعمل بشكل مشابه لتفويض الحساب (RDoC). تشمل الميزات الرئيسية:

• بناء آلة افتراضية (VM) للتنفيذ خارج السلسلة والتحكيم على السلسلة
• تحقيق مكتبة DNN خفيفة الوزن لزيادة كفاءة استدلال نماذج الذكاء الاصطناعي
• استخدام تقنية الترجمة المتقاطعة لتحويل كود استنتاج نموذج الذكاء الاصطناعي إلى تعليمات VM
• تعتمد إدارة صور VM على شجرة ميركل، حيث يتم تحميل جذر ميركل فقط إلى السلسلة.

في اختبار الأداء، يمكن لنموذج AI أساسي ( نموذج DNN تصنيف MNIST ) إكمال الاستدلال في غضون ثانيتين داخل VM على الكمبيوتر الشخصي، ويمكن إكمال العملية بأكملها في بيئة اختبار Ethereum المحلية في غضون دقيقتين.

! OPML: التعلم الآلي مع نظام التجميع المتفائل

لعبة التحقق متعددة المراحل

لتجاوز قيود لعبة التحقق من المرحلة الواحدة، قدمنا لعبة تحقق متعددة المراحل:

• يتم الحساب في VM فقط في المرحلة الأخيرة
• يمكن تنفيذ المراحل الأخرى بشكل مرن في البيئة المحلية، والاستفادة الكاملة من موارد الأجهزة مثل المعالج المركزي (CPU) ووحدة معالجة الرسوميات (GPU) ووحدة معالجة Tensor (TPU)
• تحسين أداء تنفيذ OPML بشكل ملحوظ، ليقترب من مستوى البيئة المحلية

خذ لعبة التحقق من مرحلتين (k=2) كمثال:

1. المرحلة الثانية: مشابهة لألعاب التحقق من مرحلة واحدة، تحديد الخطوات المثيرة للجدل على "الأمر الكبير"
2. المرحلة الأولى: تحديد خطوات النزاع على تعليمات VM الصغرى

ضمان سلامة وأمان التحويلات بين المراحل من خلال شجرة ميركل.

! OPML: التعلم الآلي مع مجموعة متفائلة

مثال OPML متعدد المراحل: نموذج LLaMA

نموذج LLaMA يستخدم طريقة OPML ذات مرحلتين:

1. تمثل عملية حساب الشبكة العصبية العميقة (DNN) كرسوم بيانية حسابية G
2. إجراء لعبة التحقق من المرحلة الثانية على الرسم البياني الحسابي، باستخدام وحدة المعالجة المركزية المتعددة الخيوط أو وحدة معالجة الرسومات
3. المرحلة الأولى ستحول حساب العقدة الفردية إلى تعليمات VM

بالنسبة للحسابات الأكثر تعقيدًا، يمكن إدخال طريقة OPML متعددة المراحل بأكثر من مرحلتين.

! OPML: التعلم الآلي مع مجموعة متفائلة

تحليل تحسين الأداء

افترض أن الرسم البياني للحساب يحتوي على n عقدة، يحتاج كل عقدة إلى m تعليمات ميكرو VM، ومعدل تسريع GPU أو الحساب المتوازي هو α:

1. سرعة حساب OPML ذات مرحلتين أسرع α مرة من OPML مرحلة واحدة
2. حجم شجرة ميركل لـ OPML ذو المرحلتين هو O(m+n)، وهو أقل بكثير من OPML ذو المرحلة الواحدة O(mn).

ضمان التوافق واليقين

لضمان اتساق نتائج ML، تعتمد OPML على:

1. خوارزمية النقاط الثابتة ( تقنية التكميم ): استخدام دقة ثابتة بدلاً من الأعداد العشرية
2. مكتبة الفاصلة العائمة المستندة إلى البرمجيات: ضمان التوافق عبر الأنظمة الأساسية

لقد حلت هذه الطرق التحديات الناتجة عن متغيرات الفاصلة العائمة واختلافات المنصات، مما عزز موثوقية حساب OPML.

! OPML: التعلم الآلي مع نظام التجميع المتفائل