OPML: une solution d'apprentissage machine Blockchain extensible
L'application de l'apprentissage automatique dans le domaine de la blockchain devient de plus en plus importante. Pour résoudre les limitations des solutions existantes, nous avons proposé le cadre OPML(Optimistic Apprentissage Automatique), visant à fournir des services d'inférence et d'entraînement de modèles d'IA efficaces et à faible coût pour les systèmes blockchain.
L'idée principale d'OPML est d'utiliser un mécanisme de jeu de validation pour garantir la décentralisation et la vérifiabilité des services ML. Le flux de travail de ce mécanisme est le suivant:
Le demandeur lance une tâche de service ML
Le serveur termine la tâche et soumet le résultat sur la Blockchain
Les validateurs vérifient les résultats, et s'il y a des contestations, ils lancent le jeu de validation.
Localiser précisément les étapes erronées par le protocole de bifurcation
Arbitrage d'une étape individuelle contestée sur un contrat intelligent
Comparé à ZKML, OPML présente des avantages significatifs:
Barrière d'entrée faible : Un PC ordinaire peut exécuter des modèles de langage de grande taille sans GPU.
Coût-efficace : pas besoin de preuves de connaissance zéro coûteuses
Flexibilité élevée : prend en charge l'inférence et l'entraînement des modèles
Pour améliorer l'efficacité, OPML a adopté un design de jeu de validation en plusieurs étapes :
La première phase s'exécute dans une machine virtuelle, similaire à un protocole à une seule phase.
La deuxième phase peut utiliser des accélérations matérielles telles que le GPU dans un environnement local.
Garantir l'intégrité et la sécurité inter-étapes grâce à l'arbre de Merkle
Ce design permet à OPML de tirer pleinement parti des ressources matérielles, tout en garantissant la sécurité et en améliorant considérablement les performances. Prenons le modèle LLaMA comme exemple, OPML adopte une méthode en deux étapes :
La deuxième phase consiste à effectuer une validation de jeu sur le niveau du graphe de calcul, en utilisant l'accélération GPU.
La première phase convertira les calculs des nœuds contestés en instructions VM pour vérification.
La conception multistage, par rapport au protocole à une seule étape, améliore la vitesse de calcul de α fois (, où α est le rapport d'accélération GPU ). La taille de l'arbre Merkle est également réduite de O(mn) à O(m+n).
Pour assurer la cohérence des résultats, OPML utilise un algorithme à virgule fixe et une bibliothèque à virgule flottante basée sur le logiciel, ce qui résout efficacement les problèmes de différences de calcul à virgule flottante entre les plateformes.
Dans l'ensemble, OPML offre une solution efficace, à faible coût et évolutive pour l'apprentissage automatique sur la blockchain. Il prend non seulement en charge l'inférence de modèles, mais peut également être utilisé pour l'entraînement de modèles, c'est un cadre ML polyvalent. Le projet OPML est toujours en cours de développement actif, et les développeurs intéressés sont invités à contribuer.
Voir l'original
Cette page peut inclure du contenu de tiers fourni à des fins d'information uniquement. Gate ne garantit ni l'exactitude ni la validité de ces contenus, n’endosse pas les opinions exprimées, et ne fournit aucun conseil financier ou professionnel à travers ces informations. Voir la section Avertissement pour plus de détails.
OPML : Cadre d'apprentissage automatique efficace et à faible coût sur la Blockchain
OPML: une solution d'apprentissage machine Blockchain extensible
L'application de l'apprentissage automatique dans le domaine de la blockchain devient de plus en plus importante. Pour résoudre les limitations des solutions existantes, nous avons proposé le cadre OPML(Optimistic Apprentissage Automatique), visant à fournir des services d'inférence et d'entraînement de modèles d'IA efficaces et à faible coût pour les systèmes blockchain.
L'idée principale d'OPML est d'utiliser un mécanisme de jeu de validation pour garantir la décentralisation et la vérifiabilité des services ML. Le flux de travail de ce mécanisme est le suivant:
Comparé à ZKML, OPML présente des avantages significatifs:
Pour améliorer l'efficacité, OPML a adopté un design de jeu de validation en plusieurs étapes :
Ce design permet à OPML de tirer pleinement parti des ressources matérielles, tout en garantissant la sécurité et en améliorant considérablement les performances. Prenons le modèle LLaMA comme exemple, OPML adopte une méthode en deux étapes :
La conception multistage, par rapport au protocole à une seule étape, améliore la vitesse de calcul de α fois (, où α est le rapport d'accélération GPU ). La taille de l'arbre Merkle est également réduite de O(mn) à O(m+n).
Pour assurer la cohérence des résultats, OPML utilise un algorithme à virgule fixe et une bibliothèque à virgule flottante basée sur le logiciel, ce qui résout efficacement les problèmes de différences de calcul à virgule flottante entre les plateformes.
Dans l'ensemble, OPML offre une solution efficace, à faible coût et évolutive pour l'apprentissage automatique sur la blockchain. Il prend non seulement en charge l'inférence de modèles, mais peut également être utilisé pour l'entraînement de modèles, c'est un cadre ML polyvalent. Le projet OPML est toujours en cours de développement actif, et les développeurs intéressés sont invités à contribuer.