OPML(تعلم الآلة المتفائل) هي تقنية جديدة تستخدم أساليب متفائلة لإجراء استنتاج وتدريب / ضبط نماذج الذكاء الاصطناعي على أنظمة blockchain. مقارنة بـ ZKML، يمكن لـ OPML تقديم خدمات تعلم الآلة بتكاليف أقل وكفاءة أعلى. عتبة OPML منخفضة، حتى أن الحواسيب العادية التي لا تحتوي على GPU يمكنها تشغيل نماذج اللغة الكبيرة بما في ذلك 7B-LLaMA( بحجم حوالي 26GB).
تستخدم OPML آلية لعبة تحقق لضمان اللامركزية والتوافق القابل للتحقق لخدمات التعلم الآلي. تشمل العملية ما يلي:
قام الطلب بإطلاق مهمة خدمة ML
الخادم يكمل المهمة ويقدم النتائج إلى السلسلة
يقوم المدققون بفحص النتائج، وإذا كانت هناك اعتراضات، يتم بدء لعبة التحقق
أخيرًا، قم بإجراء التحكيم خطوة بخطوة على العقد الذكي
تشبه آلية عمل OPML أحادي المرحلة حساب التفويض (RDoC). وهي تحتوي على العناصر الأساسية التالية:
آلة افتراضية (VM) للاستخدام في التنفيذ خارج السلسلة والتحكيم على السلسلة
مكتبة DNN خفيفة مصممة خصيصًا لاستنتاج نماذج الذكاء الاصطناعي
تقنية الترجمة المتقاطعة لشفرة استدلال نموذج الذكاء الاصطناعي إلى تعليمات VM
استخدام صورة VM المدارة بواسطة شجرة ميركل، فقط تحميل جذر ميركل إلى السلسلة
تُستخدم بروتوكولات الانقسام لتحديد خطوات النزاع وإرسالها إلى عقد التحكيم على السلسلة. عند اختبار نموذج AI أساسي على جهاز الكمبيوتر ( تصنيف MNIST DNN)، استغرقت عملية الاستدلال في الجهاز الافتراضي 2 ثانية، بينما يمكن إكمال عملية التحدي بالكامل في بيئة اختبار الإيثيريوم المحلية خلال دقيقتين.
لتجاوز قيود البروتوكول من مرحلة واحدة وتحسين الأداء، اقترح OPML توسيع البروتوكول متعدد المراحل. تستخدم هذه الطريقة حسابات في الآلة الافتراضية فقط في المرحلة الأخيرة، بينما يمكن تنفيذ المراحل الأخرى بشكل مرن، مما يستفيد من قدرات وحدة المعالجة المركزية ووحدة معالجة الرسومات ووحدة معالجة التنسور وحتى المعالجة المتوازية.
مبدأ عمل OPML متعدد المراحل:
تمثيل عملية حساب ML/DNN كرسوم بيانية حسابية
إجراء لعبة التحقق من المرحلة الثانية على الرسم البياني الحسابي، يمكن استخدام وحدة معالجة مركزية متعددة الخيوط أو وحدة معالجة الرسومات
المرحلة الأولى تحول حساب العقدة الفردية إلى تعليمات VM
التصميم متعدد المراحل يعزز الأداء بشكل ملحوظ، حيث يمكن أن يصل تسريع الحساب إلى α مرة. في الوقت نفسه، تم تقليل حجم شجرة ميركل من O(mn) إلى O(m+n)، مما يعزز كفاءة النظام وقابلية التوسع.
خوارزمية النقاط الثابتة ( تقنية التكميم ): استخدام دقة ثابتة بدلاً من الأرقام العشرية
مكتبة الفاصلة العائمة المعتمدة على البرمجيات: الحفاظ على اتساق الوظائف عبر الأنظمة الأساسية
تساعد هذه التقنيات في التغلب على التحديات التي تطرحها متغيرات النقطة العائمة واختلافات المنصات، مما يعزز من نزاهة وموثوقية حسابات OPML.
الإطار الحالي لـ OPML يركز بشكل رئيسي على استنتاج نماذج ML، ولكنه يدعم أيضًا عملية التدريب، وهو حل عام لتعلم الآلة. مشروع OPML لا يزال قيد التطوير، ونرحب بمشاركة الأشخاص المهتمين.
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 12
أعجبني
12
7
مشاركة
تعليق
0/400
CryptoNomics
· 07-25 15:52
*يعدل نظارته* من المثير للاهتمام كيف يتجاهلون تمامًا تداعيات توازن ناش... العلاقة بين عقد التحقق قد تشير إلى فشل ( > 0.372
شاهد النسخة الأصليةرد0
LiquidityWitch
· 07-25 15:08
أخيرًا، حان وقت الربيع لأجهزة الكمبيوتر العادية ذات الظروف المالية المتوسطة.
OPML: تقنية التعلم الآلي المتفائل الجديدة داخل السلسلة
OPML: التعلم الآلي القائم على الطرق التفاؤلية
OPML(تعلم الآلة المتفائل) هي تقنية جديدة تستخدم أساليب متفائلة لإجراء استنتاج وتدريب / ضبط نماذج الذكاء الاصطناعي على أنظمة blockchain. مقارنة بـ ZKML، يمكن لـ OPML تقديم خدمات تعلم الآلة بتكاليف أقل وكفاءة أعلى. عتبة OPML منخفضة، حتى أن الحواسيب العادية التي لا تحتوي على GPU يمكنها تشغيل نماذج اللغة الكبيرة بما في ذلك 7B-LLaMA( بحجم حوالي 26GB).
تستخدم OPML آلية لعبة تحقق لضمان اللامركزية والتوافق القابل للتحقق لخدمات التعلم الآلي. تشمل العملية ما يلي:
! OPML: التعلم الآلي مع مجموعة متفائلة
لعبة التحقق من المرحلة الواحدة
تشبه آلية عمل OPML أحادي المرحلة حساب التفويض (RDoC). وهي تحتوي على العناصر الأساسية التالية:
تُستخدم بروتوكولات الانقسام لتحديد خطوات النزاع وإرسالها إلى عقد التحكيم على السلسلة. عند اختبار نموذج AI أساسي على جهاز الكمبيوتر ( تصنيف MNIST DNN)، استغرقت عملية الاستدلال في الجهاز الافتراضي 2 ثانية، بينما يمكن إكمال عملية التحدي بالكامل في بيئة اختبار الإيثيريوم المحلية خلال دقيقتين.
! OPML: التعلم الآلي مع نظام التجميع المتفائل
لعبة التحقق متعددة المراحل
لتجاوز قيود البروتوكول من مرحلة واحدة وتحسين الأداء، اقترح OPML توسيع البروتوكول متعدد المراحل. تستخدم هذه الطريقة حسابات في الآلة الافتراضية فقط في المرحلة الأخيرة، بينما يمكن تنفيذ المراحل الأخرى بشكل مرن، مما يستفيد من قدرات وحدة المعالجة المركزية ووحدة معالجة الرسومات ووحدة معالجة التنسور وحتى المعالجة المتوازية.
مبدأ عمل OPML متعدد المراحل:
التصميم متعدد المراحل يعزز الأداء بشكل ملحوظ، حيث يمكن أن يصل تسريع الحساب إلى α مرة. في الوقت نفسه، تم تقليل حجم شجرة ميركل من O(mn) إلى O(m+n)، مما يعزز كفاءة النظام وقابلية التوسع.
! OPML: التعلم الآلي مع مجموعة متفائلة
! OPML: التعلم الآلي مع مجموعة متفائلة
التناسق واليقين
لضمان اتساق نتائج ML، استخدم OPML طريقتين:
تساعد هذه التقنيات في التغلب على التحديات التي تطرحها متغيرات النقطة العائمة واختلافات المنصات، مما يعزز من نزاهة وموثوقية حسابات OPML.
الإطار الحالي لـ OPML يركز بشكل رئيسي على استنتاج نماذج ML، ولكنه يدعم أيضًا عملية التدريب، وهو حل عام لتعلم الآلة. مشروع OPML لا يزال قيد التطوير، ونرحب بمشاركة الأشخاص المهتمين.
! OPML: التعلم الآلي مع نظام التجميع المتفائل