OPML: Aprendizado de Máquina Baseado em Métodos Otimistas

OPML(Aprendizado de Máquina Otimista) é uma nova tecnologia que utiliza métodos otimistas para realizar inferência e treinamento/ajuste fino de modelos de IA em sistemas de blockchain. Em comparação com ZKML, o OPML pode fornecer serviços de aprendizado de máquina a um custo mais baixo e com maior eficiência. O OPML tem uma barreira de entrada baixa, permitindo que até mesmo PCs comuns, sem GPU, executem grandes modelos de linguagem, incluindo 7B-LLaMA( com cerca de 26GB).

OPML utiliza um mecanismo de jogo de verificação para garantir a descentralização e o consenso verificável dos serviços de aprendizagem de máquina. O seu processo inclui:

1. O solicitante inicia a tarefa de serviço ML
2. O servidor completa a tarefa e submete o resultado na cadeia.
3. O validador verifica os resultados; se houver objeções, inicia o jogo de validação.
4. Por fim, realizar a arbitragem passo a passo no contrato inteligente

Jogo de Verificação de Uma Fase

O funcionamento do OPML de uma única fase é semelhante ao da delegação de cálculo (RDoC). Ele contém os seguintes elementos-chave:

• Máquina virtual para execução off-chain e arbitragem on-chain (VM)
• Biblioteca DNN leve projetada especificamente para inferência de modelos de IA
• Tecnologia de compilação cruzada do código de inferência do modelo de IA para instruções VM
• Imagem de VM gerida por árvore de Merkle, apenas faça o upload da raiz de Merkle na cadeia

O protocolo de bifurcação é utilizado para localizar etapas de disputa e enviá-las para o contrato de arbitragem na cadeia. Ao testar um modelo básico de IA ( classificador DNN MNIST) no PC, o tempo de inferência na VM levou 2 segundos, e todo o processo de desafio pode ser concluído em 2 minutos no ambiente de teste do Ethereum local.

Jogo de Verificação em Múltiplas Fases

Para superar as limitações do protocolo de fase única e melhorar o desempenho, a OPML propôs a extensão do protocolo de múltiplas fases. Este método realiza cálculos na VM apenas na fase final, enquanto as outras fases podem ser executadas de forma flexível, aproveitando as capacidades de CPU, GPU, TPU e até mesmo de processamento paralelo.

Princípio de funcionamento do OPML em múltiplas fases:

• Representar o processo de cálculo ML/DNN como um gráfico computacional
• Realizar o jogo de validação da segunda fase no gráfico computacional, utilizando CPU ou GPU multithread.
• A primeira fase converte o cálculo de um único nó em instruções VM

O design em múltiplas fases melhorou significativamente o desempenho, com aceleração de cálculo chegando a α vezes. Ao mesmo tempo, o tamanho da árvore de Merkle também foi reduzido de O(mn) para O(m+n), aumentando a eficiência e escalabilidade do sistema.

Consistência e Determinismo

Para garantir a consistência dos resultados do ML, a OPML adotou dois métodos:

1. Algoritmo de ponto fixo ( técnica de quantização ): usar precisão fixa em vez de números de ponto flutuante
2. Biblioteca de ponto flutuante baseada em software: manter a consistência funcional entre plataformas

Essas tecnologias ajudam a superar os desafios trazidos por variáveis de ponto flutuante e diferenças de plataforma, aumentando a integridade e a confiabilidade do cálculo OPML.

Atualmente, a estrutura OPML foca principalmente na inferência de modelos de ML, mas também suporta o processo de treinamento, sendo uma solução de aprendizado de máquina genérica. O projeto OPML ainda está em desenvolvimento e pessoas interessadas são convidadas a contribuir.