El aprendizaje reforzado impulsa la seguridad económica de los Token: un método de investigación innovador de Bonding Curve
Este artículo presentará una propuesta innovadora que ha obtenido financiación de Token Engineering Commons para la primavera de 2024. La propuesta tiene como objetivo utilizar técnicas de aprendizaje por refuerzo y modelado y simulación basados en agentes para optimizar el mecanismo de curvas de vinculación en el ecosistema de Token.
Antecedentes y objetivos del proyecto
La curva de vinculación como componente central del ecosistema de Token desempeña un papel clave en el control de la volatilidad de precios, la provisión de liquidez y la regulación dinámica de la oferta. Este proyecto hereda la idea de utilizar agentes de IA para la optimización de mecanismos, combinándola con los resultados de investigación recientes del BCRG (Bonding Curve Research Group).
El equipo del proyecto planea explorar estrategias maliciosas potenciales bajo diferentes combinaciones de curvas de bonding PAMM y SAMM mediante un agente de IA entrenado con aprendizaje reforzado. A través de análisis comparativos y exploración del espacio de comportamiento, se busca encontrar combinaciones de parámetros estables y de alta calidad, optimizando constantemente el diseño del mecanismo del protocolo, reduciendo la brecha entre el comportamiento esperado y el comportamiento real, y disminuyendo el riesgo de seguridad económica del ecosistema de Token.
Métodos de investigación
La investigación se centrará en cuatro tipos comunes de curvas de vinculación PAMM (lineal, exponencial, función de potencia y sigmoide) y en dos tipos de curvas de vinculación SAMM (producto constante y tipo mixto), formando un total de 8 combinaciones. El equipo utilizará métodos de modelado y simulación basados en agentes para realizar experimentos, utilizando agentes de IA para explorar el conjunto de posibles estrategias maliciosas de cada combinación y su probabilidad de ocurrencia, y mostrará de manera intuitiva el impacto de estas estrategias en el sistema a través de los resultados de la simulación.
Puntos de innovación y objetivos
Introducir el aprendizaje por refuerzo en la ingeniería de Token, formando un método de optimización de mecanismos de protocolo basado en agentes de IA.
Proponer métodos que sean universales, aplicables y reutilizables, con la esperanza de mejorar la seguridad económica de todo el ecosistema de Token.
Utilizando la plataforma Holobit, hace que el modelo sea más fácil de entender, usar y verificar.
Los objetivos a corto plazo incluyen explorar estrategias maliciosas potenciales, proporcionar métodos de investigación científicamente rigurosos, así como hacer recomendaciones desde la perspectiva de la curva de vinculación para mejorar la seguridad económica. El objetivo a largo plazo es promover la Token Engineering, para que más personas puedan participar en la construcción del ecosistema de moneda.
Resultados Esperados
Un modelo de simulación de economía de token bajo una cadena que introduce agentes de IA, que incluye 8 esquemas experimentales de combinaciones PAMM y SAMM.
Un informe de investigación sobre las estrategias de ataque malicioso potencial bajo diferentes combinaciones de bonding curve exploradas por un agente de IA.
Valor del proyecto
Este proyecto no solo ayuda a mejorar la seguridad del sistema de Token, sino que también promueve la difusión y práctica de la ingeniería de Token. A través de modelos y procesos experimentales transparentes, el proyecto tiene como objetivo permitir que más personas comprendan y participen en este campo de vanguardia, contribuyendo a la construcción de un ecosistema de Token más seguro y sostenible.
Esta página puede contener contenido de terceros, que se proporciona únicamente con fines informativos (sin garantías ni declaraciones) y no debe considerarse como un respaldo por parte de Gate a las opiniones expresadas ni como asesoramiento financiero o profesional. Consulte el Descargo de responsabilidad para obtener más detalles.
10 me gusta
Recompensa
10
9
Republicar
Compartir
Comentar
0/400
RektButSmiling
· hace2h
ai Ser engañados tiene apoyo teórico.
Ver originalesResponder0
StableGeniusDegen
· 08-12 22:12
Otra táctica para tomar a la gente por tonta
Ver originalesResponder0
GweiWatcher
· 08-11 13:30
¿Otra vez especulando sobre el concepto de AI?
Ver originalesResponder0
DaoResearcher
· 08-11 00:18
Desde el punto de vista del modelo económico, pertenece a la línea ortodoxa, consulte arxiv 2205.1138
Ver originalesResponder0
OffchainWinner
· 08-11 00:15
Otra vez haciendo estas cosas tan impresionantes.
Ver originalesResponder0
MemeCurator
· 08-11 00:07
¿Por qué se está volviendo a hablar de la IA?
Ver originalesResponder0
TxFailed
· 08-11 00:05
alerta de caso extremo: agentes de IA simulando curvas de enlace... ¿qué podría salir mal? lmao
Seguridad de la economía de Token impulsada por IA: optimización de la mecánica de Bonding Curve mediante aprendizaje reforzado
El aprendizaje reforzado impulsa la seguridad económica de los Token: un método de investigación innovador de Bonding Curve
Este artículo presentará una propuesta innovadora que ha obtenido financiación de Token Engineering Commons para la primavera de 2024. La propuesta tiene como objetivo utilizar técnicas de aprendizaje por refuerzo y modelado y simulación basados en agentes para optimizar el mecanismo de curvas de vinculación en el ecosistema de Token.
Antecedentes y objetivos del proyecto
La curva de vinculación como componente central del ecosistema de Token desempeña un papel clave en el control de la volatilidad de precios, la provisión de liquidez y la regulación dinámica de la oferta. Este proyecto hereda la idea de utilizar agentes de IA para la optimización de mecanismos, combinándola con los resultados de investigación recientes del BCRG (Bonding Curve Research Group).
El equipo del proyecto planea explorar estrategias maliciosas potenciales bajo diferentes combinaciones de curvas de bonding PAMM y SAMM mediante un agente de IA entrenado con aprendizaje reforzado. A través de análisis comparativos y exploración del espacio de comportamiento, se busca encontrar combinaciones de parámetros estables y de alta calidad, optimizando constantemente el diseño del mecanismo del protocolo, reduciendo la brecha entre el comportamiento esperado y el comportamiento real, y disminuyendo el riesgo de seguridad económica del ecosistema de Token.
Métodos de investigación
La investigación se centrará en cuatro tipos comunes de curvas de vinculación PAMM (lineal, exponencial, función de potencia y sigmoide) y en dos tipos de curvas de vinculación SAMM (producto constante y tipo mixto), formando un total de 8 combinaciones. El equipo utilizará métodos de modelado y simulación basados en agentes para realizar experimentos, utilizando agentes de IA para explorar el conjunto de posibles estrategias maliciosas de cada combinación y su probabilidad de ocurrencia, y mostrará de manera intuitiva el impacto de estas estrategias en el sistema a través de los resultados de la simulación.
Puntos de innovación y objetivos
Los objetivos a corto plazo incluyen explorar estrategias maliciosas potenciales, proporcionar métodos de investigación científicamente rigurosos, así como hacer recomendaciones desde la perspectiva de la curva de vinculación para mejorar la seguridad económica. El objetivo a largo plazo es promover la Token Engineering, para que más personas puedan participar en la construcción del ecosistema de moneda.
Resultados Esperados
Valor del proyecto
Este proyecto no solo ayuda a mejorar la seguridad del sistema de Token, sino que también promueve la difusión y práctica de la ingeniería de Token. A través de modelos y procesos experimentales transparentes, el proyecto tiene como objetivo permitir que más personas comprendan y participen en este campo de vanguardia, contribuyendo a la construcción de un ecosistema de Token más seguro y sostenible.