OPML: Machine learning dựa trên phương pháp lạc quan
OPML(Học máy lạc quan) là một công nghệ mới, nó sử dụng phương pháp lạc quan để thực hiện suy diễn và huấn luyện/tinh chỉnh các mô hình AI trên hệ thống blockchain. So với ZKML, OPML có thể cung cấp dịch vụ học máy với chi phí thấp hơn và hiệu quả cao hơn. Ngưỡng của OPML khá thấp, ngay cả PC thông thường không cần GPU cũng có thể chạy các mô hình ngôn ngữ lớn bao gồm 7B-LLaMA( khoảng 26GB).
OPML áp dụng cơ chế trò chơi xác minh để đảm bảo dịch vụ học máy phi tập trung và đồng thuận có thể xác minh. Quy trình của nó bao gồm:
Người yêu cầu khởi động nhiệm vụ dịch vụ ML
Máy chủ hoàn thành nhiệm vụ và gửi kết quả lên chuỗi.
Người xác thực kiểm tra kết quả, nếu có bất đồng thì khởi động trò chơi xác thực
Cuối cùng thực hiện trọng tài từng bước trên hợp đồng thông minh
Trò chơi xác minh một giai đoạn
Nguyên tắc hoạt động của OPML một giai đoạn tương tự như ủy thác tính toán (RDoC). Nó bao gồm các yếu tố chính sau:
Máy ảo (VM) dùng cho việc thực hiện ngoài chuỗi và trọng tài trên chuỗi
Thư viện DNN nhẹ được thiết kế đặc biệt cho suy diễn mô hình AI
Kỹ thuật biên dịch chéo mã suy diễn mô hình AI thành lệnh VM
Quản lý hình ảnh VM bằng cây Merkle, chỉ tải lên gốc Merkle lên chuỗi.
Giao thức phân đoạn được sử dụng để xác định các bước tranh chấp và gửi chúng đến hợp đồng trọng tài trên chuỗi. Khi thử nghiệm một mô hình AI cơ bản ( phân loại MNIST DNN) trên PC, thời gian suy diễn trong VM là 2 giây, toàn bộ quá trình thách thức có thể hoàn thành trong môi trường thử nghiệm Ethereum cục bộ trong vòng 2 phút.
Trò chơi xác thực nhiều giai đoạn
Để khắc phục những hạn chế của giao thức một giai đoạn và nâng cao hiệu suất, OPML đã đề xuất mở rộng giao thức đa giai đoạn. Phương pháp này chỉ thực hiện tính toán trong VM ở giai đoạn cuối cùng, các giai đoạn khác có thể được thực hiện linh hoạt, từ đó tận dụng khả năng của CPU, GPU, TPU và thậm chí là xử lý song song.
Nguyên lý hoạt động của OPML đa giai đoạn:
Biểu diễn quá trình tính toán ML/DNN dưới dạng đồ thị tính toán
Thực hiện trò chơi xác thực giai đoạn hai trên đồ thị tính toán, có thể sử dụng CPU hoặc GPU đa luồng.
Giai đoạn đầu tiên sẽ chuyển đổi tính toán của nút đơn thành lệnh VM
Thiết kế đa giai đoạn đã cải thiện đáng kể hiệu suất, tốc độ tính toán có thể đạt tới α lần. Đồng thời, kích thước cây Merkle cũng giảm từ O(mn) xuống O(m+n), nâng cao hiệu quả và khả năng mở rộng của hệ thống.
Tính nhất quán và tính xác định
Để đảm bảo tính nhất quán của kết quả ML, OPML đã áp dụng hai phương pháp:
Thuật toán định điểm ( công nghệ định lượng ): Sử dụng độ chính xác cố định thay thế số thực.
Thư viện dấu phẩy động dựa trên phần mềm: Đảm bảo tính nhất quán chức năng trên nhiều nền tảng
Các công nghệ này giúp vượt qua những thách thức do biến số dấu phẩy động và sự khác biệt giữa các nền tảng mang lại, tăng cường tính toàn vẹn và độ tin cậy của việc tính toán OPML.
Khung OPML hiện tại chủ yếu tập trung vào suy diễn mô hình ML, nhưng cũng hỗ trợ quá trình đào tạo, là một giải pháp học máy tổng quát. Dự án OPML vẫn đang trong quá trình phát triển, hoan nghênh những người quan tâm tham gia đóng góp.
Trang này có thể chứa nội dung của bên thứ ba, được cung cấp chỉ nhằm mục đích thông tin (không phải là tuyên bố/bảo đảm) và không được coi là sự chứng thực cho quan điểm của Gate hoặc là lời khuyên về tài chính hoặc chuyên môn. Xem Tuyên bố từ chối trách nhiệm để biết chi tiết.
12 thích
Phần thưởng
12
7
Chia sẻ
Bình luận
0/400
CryptoNomics
· 07-25 15:52
*điều chỉnh kính* thật thú vị khi họ hoàn toàn phớt lờ những hệ quả của điểm cân bằng Nash... Tính tương quan giữa các nút xác thực sẽ gợi ý p(failure) > 0.372
Xem bản gốcTrả lời0
LiquidityWitch
· 07-25 15:08
Cuộc sống của những chiếc PC bình thường có điều kiện trung bình cuối cùng cũng đã có mùa xuân.
OPML: Công nghệ học máy lạc quan mới trên Blockchain
OPML: Machine learning dựa trên phương pháp lạc quan
OPML(Học máy lạc quan) là một công nghệ mới, nó sử dụng phương pháp lạc quan để thực hiện suy diễn và huấn luyện/tinh chỉnh các mô hình AI trên hệ thống blockchain. So với ZKML, OPML có thể cung cấp dịch vụ học máy với chi phí thấp hơn và hiệu quả cao hơn. Ngưỡng của OPML khá thấp, ngay cả PC thông thường không cần GPU cũng có thể chạy các mô hình ngôn ngữ lớn bao gồm 7B-LLaMA( khoảng 26GB).
OPML áp dụng cơ chế trò chơi xác minh để đảm bảo dịch vụ học máy phi tập trung và đồng thuận có thể xác minh. Quy trình của nó bao gồm:
Trò chơi xác minh một giai đoạn
Nguyên tắc hoạt động của OPML một giai đoạn tương tự như ủy thác tính toán (RDoC). Nó bao gồm các yếu tố chính sau:
Giao thức phân đoạn được sử dụng để xác định các bước tranh chấp và gửi chúng đến hợp đồng trọng tài trên chuỗi. Khi thử nghiệm một mô hình AI cơ bản ( phân loại MNIST DNN) trên PC, thời gian suy diễn trong VM là 2 giây, toàn bộ quá trình thách thức có thể hoàn thành trong môi trường thử nghiệm Ethereum cục bộ trong vòng 2 phút.
Trò chơi xác thực nhiều giai đoạn
Để khắc phục những hạn chế của giao thức một giai đoạn và nâng cao hiệu suất, OPML đã đề xuất mở rộng giao thức đa giai đoạn. Phương pháp này chỉ thực hiện tính toán trong VM ở giai đoạn cuối cùng, các giai đoạn khác có thể được thực hiện linh hoạt, từ đó tận dụng khả năng của CPU, GPU, TPU và thậm chí là xử lý song song.
Nguyên lý hoạt động của OPML đa giai đoạn:
Thiết kế đa giai đoạn đã cải thiện đáng kể hiệu suất, tốc độ tính toán có thể đạt tới α lần. Đồng thời, kích thước cây Merkle cũng giảm từ O(mn) xuống O(m+n), nâng cao hiệu quả và khả năng mở rộng của hệ thống.
Tính nhất quán và tính xác định
Để đảm bảo tính nhất quán của kết quả ML, OPML đã áp dụng hai phương pháp:
Các công nghệ này giúp vượt qua những thách thức do biến số dấu phẩy động và sự khác biệt giữa các nền tảng mang lại, tăng cường tính toàn vẹn và độ tin cậy của việc tính toán OPML.
Khung OPML hiện tại chủ yếu tập trung vào suy diễn mô hình ML, nhưng cũng hỗ trợ quá trình đào tạo, là một giải pháp học máy tổng quát. Dự án OPML vẫn đang trong quá trình phát triển, hoan nghênh những người quan tâm tham gia đóng góp.