OPML : Optimisation de l'apprentissage automatique dans les applications Blockchain

OPML(L'apprentissage automatique optimiste) est une technologie émergente qui permet d'effectuer l'inférence et l'entraînement de modèles d'IA sur des systèmes Blockchain. Par rapport à ZKML, OPML présente des avantages de coût et d'efficacité. Il convient de noter que le seuil de participation à OPML est très bas - même un PC ordinaire peut exécuter de grands modèles de langage, tels que le modèle 7B-LLaMA de 26 Go.

OPML utilise un mécanisme de jeu de validation pour garantir la décentralisation et la vérifiabilité des services ML. Son flux de travail est le suivant :

1. L'utilisateur initie une demande de service ML
2. Le serveur termine la tâche et soumet le résultat sur la Blockchain
3. Les validateurs vérifient les résultats, et s'il y a des objections, ils lancent un jeu de vérification.
4. Localiser précisément les étapes contestées par le protocole de bifurcation
5. Enfin, effectuez un arbitrage étape par étape sur le contrat intelligent.

Le jeu de vérification à une seule étape d'OPML est similaire au calcul de la délégation (RDoC). Il comprend les points clés suivants :

• Construire une machine virtuelle d'exécution off-chain et d'arbitrage on-chain (VM)
• Mettre en œuvre une bibliothèque DNN légère spécialisée pour améliorer l'efficacité
• Utiliser la technique de compilation croisée pour compiler le code d'inférence AI en instructions VM
• Utiliser un arbre de Merkle pour gérer les images VM, en ne téléchargeant que la racine sur la Blockchain.

Cependant, les jeux de validation à phase unique présentent une limitation majeure : tous les calculs doivent être effectués dans la VM, ce qui ne permet pas de tirer pleinement parti de l'accélération GPU/TPU. Pour cela, OPML a proposé un schéma d'extension pour les jeux de validation à plusieurs phases.

La pensée centrale de l'OPML multistade est :

• Ne calculer que dans la VM à la dernière étape
• D'autres étapes peuvent être exécutées dans un environnement local, en tirant pleinement parti des ressources matérielles.
• Utiliser l'arbre de Merkle pour garantir l'intégrité et la sécurité des transitions entre les étapes

Prenons le modèle LLaMA comme exemple, le flux de travail de l'OPML en deux phases est :

1. Deuxième étape : effectuer un jeu de validation sur le graphique de calcul, en utilisant un CPU ou un GPU multithread.
2. Première étape : convertir le calcul d'un seul nœud en instructions VM

Les solutions OPML multi-étapes présentent des avantages significatifs par rapport aux solutions à une étape :

• Vitesse de calcul augmentée de α fois ( α pour le ratio d'accélération GPU/parallèle )
• La taille de l'arbre Merkle passe de O(mn) à O(m+n)

Pour assurer la cohérence des résultats de ML, OPML a adopté deux technologies clés :

1. Algorithme à point fixe ( technologie de quantification ) : utiliser une précision fixe au lieu des nombres à virgule flottante
2. Bibliothèque de flottants basée sur le logiciel : assurer la cohérence multiplateforme

Dans l'ensemble, OPML offre une solution efficace, peu coûteuse et décentralisée pour l'apprentissage automatique sur la Blockchain. Bien qu'il soit actuellement principalement axé sur l'inférence de modèles, ce cadre prend également en charge le processus d'entraînement, et pourrait devenir une plateforme d'apprentissage automatique universelle.