OPML: Blok Zinciri üzerindeki optimistik makine öğrenimi yeni çözümü ZKML'yi çok aşan verimlilik

2025-08-16 16:32:40

Abstract generation in progress

OPML: Verimli ve güvenilir makine öğrenimi sağlamak için iyimser mekanizmanın kullanımı

Özet

Bu makale, blockchain sistemlerinde AI model çıkarımı ve eğitimi yapmak için etkili bir şekilde çalışan OPML( adlı yeni bir yöntemi tanıtmaktadır. Sıfır bilgi makine öğrenimi)ZKML( ile karşılaştırıldığında, OPML daha düşük maliyetler ve daha yüksek verimlilikte makine öğrenimi hizmetleri sunabilir. OPML'nin donanım gereksinimleri oldukça düşüktür, sıradan bir PC, 7B-LLaMA gibi büyük dil modellerini çalıştırabilir.

OPML, makine öğrenimi hizmetlerinin merkeziyetsizliğini ve doğrulanabilir konsensüsünü sağlamak için bir doğrulama oyun mekanizması kullanır. Süreç, talep edenin bir görev başlattığı, sunucunun görevi tamamlayıp sonuçları sunduğu, doğrulayıcının sonuçları doğruladığı ve eğer bir anlaşmazlık çıkarsa, hata adımlarını kesin olarak belirlemek için ikili protokolün kullanıldığı ve sonunda akıllı sözleşmenin hakemlik yaptığı aşamaları içerir.

![OPML：Optimistik Rollup sistemini kullanan makine öğrenimi])https://img-cdn.gateio.im/webp-social/moments-97100de5d65b1bb4dfc9ad6502195b59.webp(

Tek Aşamalı Doğrulama Oyunu

Tek aşamalı OPML'nin temeli, bir zincir dışı yürütme ve zincir üzeri tahkim sanal makinesi )VM( oluşturulmasıdır. AI model çıkarım verimliliğini artırmak için özel bir hafif derin sinir ağı kütüphanesi geliştirilmiştir. AI model çıkarım kodu, VM talimatlarına derlenmek üzere çapraz derleme teknolojisi kullanılarak derlenmiştir, VM imajı Merkle ağaçları aracılığıyla yönetilmektedir.

Gerçek testlerde, temel bir AI sınıflandırma modelinin VM'de çıkarım süresi 2 saniye, tüm meydan okuma süreci yerel Ethereum test ortamında 2 dakikada tamamlanabilir.

![OPML：Optimistic Rollup sistemi kullanan makine öğrenimi])https://img-cdn.gateio.im/webp-social/moments-e798407b4f5f3dd6dc7d8327db07eb20.webp(

Çok Aşamalı Doğrulama Oyunu

Tek aşamalı protokollerin sınırlamalarını aşmak için çok aşamalı doğrulama oyunu önerilmiştir. Bu yöntem, yalnızca son aşamada VM'de hesaplama gerektirirken, diğer aşamalar yerel ortamda esnek bir şekilde gerçekleştirilebilir ve CPU, GPU gibi donanım hızlandırma yeteneklerinden tam olarak yararlanılabilir.

İki aşamalı OPML örneğinde, ikinci aşama "büyük komut" ile ilişkilidir, birinci aşama ise tek aşamalı bir oyuna benzer. Farklı aşamalar arasındaki bütünlük ve güvenliği sağlamak için Merkle ağacı kullanılır.

LLaMA modelinde, derin sinir ağlarının hesaplama sürecini hesaplama grafiği olarak temsil edebilirsiniz. İkinci aşamada hesaplama grafiği üzerinde doğrulama oyunu gerçekleştirilir, çoklu iş parçacığı CPU veya GPU hızlandırması kullanılabilir. İlk aşama, tek bir düğümün hesaplamasını VM talimatlarına dönüştürür.

![OPML：Optimistik Rollup sistemi kullanan makine öğrenimi])https://img-cdn.gateio.im/webp-social/moments-3f290bc2a1acee40d4e71fbf35ee5079.webp(

Performans Analizi

Tek aşamalı OPML ile karşılaştırıldığında, iki aşamalı OPML, α katsayısı kadar bir hesaplama hızlandırması sağlamaktadır; burada α, GPU veya paralel hesaplamanın sağladığı hızlandırma oranını temsil eder. Merkle ağacının boyutu açısından, iki aşamalı OPML O)m+n(, tek aşamalı ise O)mn( olarak ifade edilmektedir; m ve n, sırasıyla VM talimat sayısını ve hesaplama grafiği düğüm sayısını belirtir.

![OPML: Optimistik Rollup sistemini kullanan makine öğrenimi])https://img-cdn.gateio.im/webp-social/moments-4d41ed09832980b943519f4c0baa6109.webp(

Tutarlılık Garantisi

Kullanıcılar arası tutarlılığı sağlamak için OPML iki ana yöntem kullanmıştır:

Kesirli sayı algoritması ) kuantizasyon tekniği ( kullanarak kayan nokta yuvarlama hatasının etkisini azaltın.
Platformlar arası tutarlılığı sağlamak için yazılıma dayalı bir kayan nokta kütüphanesi kullanmak

Bu yöntemler, OPML çerçevesi içinde güvenilir makine öğrenimi sonuçlarının elde edilmesine temel oluşturmuştur.

OPML vs ZKML

OPML, ZKML'ye kıyasla daha düşük hesaplama karmaşıklığı, daha yüksek verimlilik ve daha düşük katılım eşiği gibi avantajlara sahiptir. Şu anda OPML, model çıkarımına odaklanmaktadır, ancak çerçeve aynı zamanda eğitim sürecini de desteklemekte ve çeşitli makine öğrenimi görevleri için kullanılabilmektedir.

OPML projesi hâlâ aktif olarak geliştirilmektedir, ilgilenen geliştiricileri katkı sağlamaya davet ediyoruz.

![OPML：Optimistik Rollup sistemini kullanan makine öğrenimi])https://img-cdn.gateio.im/webp-social/moments-a33f120074b07b2ec4ae4ececbea79f1.webp(

ETH0.08%

View Original

This page may contain third-party content, which is provided for information purposes only (not representations/warranties) and should not be considered as an endorsement of its views by Gate, nor as financial or professional advice. See Disclaimer for details.

6 Likes