OPML: Machine learning optimiste sur la Blockchain

OPML( L'apprentissage machine optimiste ) est une nouvelle technologie qui permet d'exécuter des inférences et des entraînements/réglages de modèles d'IA sur des systèmes Blockchain. Comparé à ZKML, OPML peut fournir des services d'apprentissage machine à un coût inférieur et avec une efficacité supérieure. OPML a une barrière d'entrée plus basse, un PC ordinaire peut exécuter OPML contenant des modèles de langage de grande taille sans GPU, comme le modèle 7B-LLaMA de 26 Go.

OPML utilise un mécanisme de jeu de validation pour garantir la décentralisation et le consensus vérifiable des services ML. Le processus est le suivant :

1. Le demandeur initie la tâche de service ML
2. Le serveur termine la tâche et soumet les résultats au Blockchain
3. Les validateurs vérifient les résultats, et en cas de désaccord, lancent le jeu de vérification.
4. Arbitrage des étapes de litige par contrat intelligent

Jeu de validation à une étape

Le jeu de validation à une seule étape est similaire au mécanisme d'engagement de calcul (RDoC). Le jeu de validation à une seule étape d'OPML présente les caractéristiques suivantes :

• Construire une machine virtuelle pour l'exécution hors chaîne et l'arbitrage sur chaîne (VM)
• Mettre en œuvre une bibliothèque DNN légère spécialisée pour améliorer l'efficacité de l'inférence des modèles d'IA.
• Utiliser la technologie de compilation croisée pour compiler le code d'inférence du modèle AI en instructions VM
• L'image VM est gérée par un arbre de Merkle, seul le hachage racine est téléchargé sur la Blockchain.

Les tests de performance montrent que, sur un PC ordinaire, l'inférence du modèle AI de base (MNIST classification DNN) peut être réalisée en moins de 2 secondes, et l'ensemble du processus de défi peut être complété en 2 minutes.

Jeu de vérification multi-étapes

Pour surmonter les limites de la vérification à une seule étape, OPML a introduit un jeu de vérification à plusieurs étapes :

• Ne calculer que dans la VM à la dernière étape, les autres étapes peuvent être exécutées de manière flexible dans l'environnement local.
• Utiliser les capacités d'accélération matérielle telles que CPU, GPU, TPU
• Améliorer l'efficacité d'exécution en réduisant la dépendance au VM

La pensée centrale de l'OPML multi-étapes est de représenter le processus de calcul DNN sous forme de graphique de calcul, et de mener des jeux de validation sur ce graphique. Cette méthode peut exploiter pleinement les avantages des GPU ou du traitement parallèle, améliorant ainsi considérablement les performances.

Cohérence et déterminisme

OPML utilise la méthode suivante pour garantir la cohérence des résultats ML :

1. Utiliser l'algorithme à point fixe ( pour quantifier la technologie ) afin de réduire l'erreur d'arrondi flottant.
2. Utiliser une bibliothèque de points flottants logicielle cohérente multiplateforme

Ces technologies aident à surmonter les différences de calcul causées par différents environnements matériels et logiciels, garantissant la fiabilité des résultats OPML.

OPML est encore en phase de développement, les développeurs intéressés sont les bienvenus pour contribuer.