OPML: إطار عمل تعلم الآلة القائم على الطريقة التفاؤلية

لقد قدمنا إطار عمل جديد يسمى OPML( التعلم الآلي المتفائل )، والذي يمكنه تنفيذ استنتاج وتدريب نماذج الذكاء الاصطناعي بكفاءة على أنظمة blockchain. مقارنةً بـ ZKML، فإن OPML يتمتع بتكاليف أقل وكفاءة أعلى. متطلبات الأجهزة لـ OPML منخفضة جداً، حيث يمكن لأجهزة الكمبيوتر العادية تشغيل مهام OPML التي تتضمن نماذج اللغة الكبيرة مثل 7B-LLaMA دون الحاجة إلى GPU.

اعتمد OPML آلية لعب تحقق لضمان اللامركزية وقابلية التحقق لخدمات ML. تسير عمليته كما يلي:

1. المستخدم يقدم طلب خدمة ML
2. أكمل الخادم المهمة وقدم النتائج إلى السلسلة
3. يقوم المدققون بفحص النتائج، وإذا كانت هناك اعتراضات يتم بدء لعبة التحقق
4. تحديد خطوات الخطأ المحددة من خلال بروتوكول ثنائي
5. أخيرًا، يتم إجراء التحكيم خطوة بخطوة بواسطة العقد الذكي

! OPML: التعلم الآلي مع مجموعة متفائلة

لعبة التحقق من المرحلة الواحدة

تشمل النقاط الرئيسية لـ OPML ذات المرحلة الواحدة:

• بناء آلة افتراضية للتنفيذ خارج السلسلة والتحكيم على السلسلة (VM)
• إنشاء مكتبة DNN خفيفة الوزن مخصصة، لزيادة كفاءة الاستدلال بالذكاء الاصطناعي
• استخدام تقنية الترجمة المتقاطعة لتحويل كود استدلال الذكاء الاصطناعي إلى تعليمات VM
• استخدام شجرة ميركل لإدارة صور VM، فقط تحميل الجذر هاش إلى السلسلة

في الاختبار الأساسي، يمكننا إكمال استدلال DNN في غضون ثانيتين، ويمكن إكمال عملية التحدي بالكامل في غضون دقيقتين.

! OPML: التعلم الآلي مع نظام التجميع المتفائل

لعبة التحقق متعددة المراحل

لتجاوز قيود النموذج الأحادي المرحلة، قدمنا لعبة التحقق متعددة المراحل:

• يتم الحساب فقط في المرحلة الأخيرة في VM، ويمكن تنفيذ المراحل الأخرى بشكل مرن
• الاستفادة الكاملة من تسريع GPU/TPU والمعالجة المتوازية
• زيادة كبيرة في أداء التنفيذ، بالقرب من مستوى البيئة المحلية
• استخدام شجرة ميركل لضمان سلامة وأمان التحويلات بين المراحل

كمثال على نموذج LLaMA ، نتبنى طريقة OPML من مرحلتين:

• المرحلة الثانية هي إجراء لعبة التحقق على الرسم البياني الحسابي، يمكن استخدام تسريع GPU
• المرحلة الأولى ستقوم بتحويل حساب العقدة الفردية إلى تعليمات VM

تسمح الطريقة متعددة المراحل بتحقيق تسريع حسابي بمقدار α مقارنة بالطريقة الأحادية، وفي نفس الوقت تقلل بشكل كبير من حجم شجرة ميركل.

! OPML: التعلم الآلي مع مجموعة متفائلة

! OPML: التعلم الآلي مع مجموعة متفائلة

التوافقية واليقينية

لضمان اتساق نتائج ML، اتخذنا التدابير التالية:

1. استخدام خوارزمية ثابتة ( لتقنية الكوانتيزاسيون ) لتقليل تأثير أخطاء النقطة العائمة
2. استخدام مكتبة الفاصلة العائمة المتسقة عبر الأنظمة الأساسية

تتغلب هذه التقنيات بفعالية على التحديات التي تطرحها متغيرات الفاصلة العائمة واختلافات المنصات، مما يعزز موثوقية حسابات OPML.

لا يزال OPML قيد التطوير. نحن نرحب بالأشخاص المهتمين بهذا المشروع للانضمام والمساهمة في تطوير OPML.

! OPML: التعلم الآلي مع نظام التجميع المتفائل