OPML:استخدام آلية تفاؤلية لتحقيق تعلم آلي فعال وموثوق
ملخص
تقدم هذه المقالة طريقة جديدة تُعرف باسم OPML( التعلم الآلي المتفائل )، والتي يمكنها إجراء استدلال وتدريب نماذج الذكاء الاصطناعي بكفاءة على أنظمة blockchain. مقارنةً بالتعلم الآلي المعتمد على المعرفة الصفرية ( ZKML )، يمكن لـ OPML تقديم خدمات تعلم آلي بتكلفة أقل وكفاءة أعلى. متطلبات الأجهزة لـ OPML منخفضة، حيث يمكن لجهاز كمبيوتر عادي تشغيل نماذج اللغة الكبيرة مثل 7B-LLaMA.
تستخدم OPML آلية لعبة تحقق لضمان عدم مركزية خدمات التعلم الآلي والتوافق القابل للتحقق. تتضمن العملية بأكملها: يقوم الطالب ببدء المهمة، يقوم الخادم بإكمال المهمة وتقديم النتائج، يقوم المراجع بالتحقق من النتائج، وإذا كانت هناك نزاعات يتم تحديد الخطوات الخاطئة بدقة من خلال بروتوكول الانقسام، وأخيرًا يتم التحكيم بواسطة العقد الذكي.
النقطة الأساسية في OPML من المرحلة الواحدة هي بناء آلة افتراضية (VM) للتنفيذ خارج السلسلة والتحكيم داخل السلسلة. من أجل تحسين كفاءة استدلال نموذج الذكاء الاصطناعي، تم تنفيذ مكتبة خفيفة الوزن للشبكات العصبية العميقة. تم استخدام تقنية الترجمة المتقاطعة لترجمة كود استدلال نموذج الذكاء الاصطناعي إلى تعليمات VM، ويتم إدارة صورة VM من خلال شجرة ميركل.
في الاختبار الفعلي، استغرق نموذج تصنيف AI الأساسي 2 ثانية لاستنتاج داخل VM، ويمكن إكمال عملية التحدي بأكملها في بيئة اختبار Ethereum المحلية في غضون دقيقتين.
لتجاوز قيود البروتوكول من مرحلة واحدة، تم اقتراح لعبة التحقق متعددة المراحل. هذه الطريقة تحتاج فقط إلى إجراء الحساب في المرحلة النهائية داخل VM، بينما يمكن تنفيذ المراحل الأخرى بشكل مرن في البيئة المحلية، مستفيدة بالكامل من قدرات تسريع الأجهزة مثل CPU و GPU.
كمثال على OPML ذي المرحلتين، تتوافق المرحلة الثانية مع "الأمر الكبير"، بينما تشبه المرحلة الأولى لعبة ذات مرحلة واحدة. من خلال شجرة ميركل لضمان تكامل وأمان مختلف المراحل.
في نموذج LLaMA، يمكن تمثيل عملية حساب الشبكة العصبية العميقة على أنها رسم بياني حسابي. المرحلة الثانية تجري التحقق من اللعبة على الرسم البياني الحسابي، ويمكن تسريعها باستخدام وحدة المعالجة المركزية متعددة الخيوط أو وحدة معالجة الرسومات. المرحلة الأولى تحول العمليات الحسابية للعقدة الفردية إلى تعليمات VM.
بالمقارنة مع OPML ذو المرحلة الواحدة، تحقق OPML ذو المرحلتين تسريعًا في الحساب بمقدار α، حيث تمثل α نسبة التسريع الناتجة عن GPU أو الحوسبة المتوازية. في ما يتعلق بحجم شجرة Merkle، فإن OPML ذو المرحلتين هو O(m+n)، بينما OPML ذو المرحلة الواحدة هو O(mn)، حيث يمثل m و n عدد تعليمات VM وعدد عقد الرسم البياني للحساب على التوالي.
لضمان التوافق عبر المنصات، اعتمدت OPML طريقتين رئيسيتين:
استخدم خوارزمية النقاط الثابتة ( لتقنية التكميم ) لتقليل تأثير أخطاء التقريب العائم.
استخدام مكتبة الفاصلة العائمة المستندة إلى البرمجيات لضمان الاتساق عبر الأنظمة الأساسية
تضع هذه الطرق الأساس لتحقيق نتائج موثوقة في التعلم الآلي ضمن إطار OPML.
OPML مقابل ZKML
تتمتع OPML بميزات مثل انخفاض تعقيد الحساب، وزيادة الكفاءة، وانخفاض عتبة المشاركة مقارنةً بـ ZKML. في الوقت الحالي، تركز OPML بشكل أساسي على استنتاج النموذج، لكن الإطار يدعم أيضًا عملية التدريب، ويمكن استخدامه في مجموعة متنوعة من مهام التعلم الآلي.
مشروع OPML لا يزال قيد التطوير النشط، نرحب بالمطورين المهتمين للمشاركة في المساهمة.
قد تحتوي هذه الصفحة على محتوى من جهات خارجية، يتم تقديمه لأغراض إعلامية فقط (وليس كإقرارات/ضمانات)، ولا ينبغي اعتباره موافقة على آرائه من قبل Gate، ولا بمثابة نصيحة مالية أو مهنية. انظر إلى إخلاء المسؤولية للحصول على التفاصيل.
تسجيلات الإعجاب 6
أعجبني
6
5
إعادة النشر
مشاركة
تعليق
0/400
AllInDaddy
· منذ 10 س
انظر إلى المطرقة، الجميع مشارك، اشترِ BTC مباشرة
شاهد النسخة الأصليةرد0
NeverPresent
· منذ 10 س
هل يجب أن نقتحم المنزل؟ ZKML تضحك حتى تبكي مباشرة.
OPML: خطة جديدة للتعلم الآلي التفاؤلي داخل السلسلة كفاءتها تفوق ZKML بكثير
OPML:استخدام آلية تفاؤلية لتحقيق تعلم آلي فعال وموثوق
ملخص
تقدم هذه المقالة طريقة جديدة تُعرف باسم OPML( التعلم الآلي المتفائل )، والتي يمكنها إجراء استدلال وتدريب نماذج الذكاء الاصطناعي بكفاءة على أنظمة blockchain. مقارنةً بالتعلم الآلي المعتمد على المعرفة الصفرية ( ZKML )، يمكن لـ OPML تقديم خدمات تعلم آلي بتكلفة أقل وكفاءة أعلى. متطلبات الأجهزة لـ OPML منخفضة، حيث يمكن لجهاز كمبيوتر عادي تشغيل نماذج اللغة الكبيرة مثل 7B-LLaMA.
تستخدم OPML آلية لعبة تحقق لضمان عدم مركزية خدمات التعلم الآلي والتوافق القابل للتحقق. تتضمن العملية بأكملها: يقوم الطالب ببدء المهمة، يقوم الخادم بإكمال المهمة وتقديم النتائج، يقوم المراجع بالتحقق من النتائج، وإذا كانت هناك نزاعات يتم تحديد الخطوات الخاطئة بدقة من خلال بروتوكول الانقسام، وأخيرًا يتم التحكيم بواسطة العقد الذكي.
! OPML: التعلم الآلي مع مجموعة متفائلة
لعبة التحقق من المرحلة الواحدة
النقطة الأساسية في OPML من المرحلة الواحدة هي بناء آلة افتراضية (VM) للتنفيذ خارج السلسلة والتحكيم داخل السلسلة. من أجل تحسين كفاءة استدلال نموذج الذكاء الاصطناعي، تم تنفيذ مكتبة خفيفة الوزن للشبكات العصبية العميقة. تم استخدام تقنية الترجمة المتقاطعة لترجمة كود استدلال نموذج الذكاء الاصطناعي إلى تعليمات VM، ويتم إدارة صورة VM من خلال شجرة ميركل.
في الاختبار الفعلي، استغرق نموذج تصنيف AI الأساسي 2 ثانية لاستنتاج داخل VM، ويمكن إكمال عملية التحدي بأكملها في بيئة اختبار Ethereum المحلية في غضون دقيقتين.
! OPML: التعلم الآلي مع نظام التجميع المتفائل
لعبة التحقق متعددة المراحل
لتجاوز قيود البروتوكول من مرحلة واحدة، تم اقتراح لعبة التحقق متعددة المراحل. هذه الطريقة تحتاج فقط إلى إجراء الحساب في المرحلة النهائية داخل VM، بينما يمكن تنفيذ المراحل الأخرى بشكل مرن في البيئة المحلية، مستفيدة بالكامل من قدرات تسريع الأجهزة مثل CPU و GPU.
كمثال على OPML ذي المرحلتين، تتوافق المرحلة الثانية مع "الأمر الكبير"، بينما تشبه المرحلة الأولى لعبة ذات مرحلة واحدة. من خلال شجرة ميركل لضمان تكامل وأمان مختلف المراحل.
في نموذج LLaMA، يمكن تمثيل عملية حساب الشبكة العصبية العميقة على أنها رسم بياني حسابي. المرحلة الثانية تجري التحقق من اللعبة على الرسم البياني الحسابي، ويمكن تسريعها باستخدام وحدة المعالجة المركزية متعددة الخيوط أو وحدة معالجة الرسومات. المرحلة الأولى تحول العمليات الحسابية للعقدة الفردية إلى تعليمات VM.
! OPML: التعلم الآلي مع مجموعة متفائلة
تحليل الأداء
بالمقارنة مع OPML ذو المرحلة الواحدة، تحقق OPML ذو المرحلتين تسريعًا في الحساب بمقدار α، حيث تمثل α نسبة التسريع الناتجة عن GPU أو الحوسبة المتوازية. في ما يتعلق بحجم شجرة Merkle، فإن OPML ذو المرحلتين هو O(m+n)، بينما OPML ذو المرحلة الواحدة هو O(mn)، حيث يمثل m و n عدد تعليمات VM وعدد عقد الرسم البياني للحساب على التوالي.
! OPML: التعلم الآلي مع مجموعة متفائلة
ضمان التناسق
لضمان التوافق عبر المنصات، اعتمدت OPML طريقتين رئيسيتين:
تضع هذه الطرق الأساس لتحقيق نتائج موثوقة في التعلم الآلي ضمن إطار OPML.
OPML مقابل ZKML
تتمتع OPML بميزات مثل انخفاض تعقيد الحساب، وزيادة الكفاءة، وانخفاض عتبة المشاركة مقارنةً بـ ZKML. في الوقت الحالي، تركز OPML بشكل أساسي على استنتاج النموذج، لكن الإطار يدعم أيضًا عملية التدريب، ويمكن استخدامه في مجموعة متنوعة من مهام التعلم الآلي.
مشروع OPML لا يزال قيد التطوير النشط، نرحب بالمطورين المهتمين للمشاركة في المساهمة.
! OPML: التعلم الآلي مع نظام التجميع المتفائل