增強學習助力代幣經濟安全：創新 Bonding Curve 研究方法

本文將介紹一項獲得 2024 年春季 Token Engineering Commons 資助的創新提案。該提案旨在利用強化學習和基於 agent 的建模與仿真技術，優化代幣生態系統中的 bonding curve 機制。

項目背景與目標

Bonding curve 作爲代幣生態系統的核心組成部分，在控制價格波動、提供流動性和動態調節供應等方面發揮着關鍵作用。本項目繼承了早期將 AI-agent 用於機制優化的理念，並結合了近期 BCRG (Bonding Curve Research Group) 的研究成果。

項目團隊計劃通過經強化學習訓練的 AI-agent 探索不同 PAMM 和 SAMM bonding curve 組合下的潛在惡意策略。通過比較分析與行爲空間探索，尋找穩定優質的參數組合，不斷優化協議機制設計，縮小預期行爲和真實行爲之間的差距，降低代幣生態系統的經濟安全風險。

研究方法

研究將聚焦於四種常見的 PAMM bonding curve 類型（線性、指數、冪函數和 Sigmoid）以及兩種 SAMM bonding curve 類型（恆定乘積和混合型），共形成 8 種組合方案。團隊將採用 agent-based modeling and simulation 方法進行實驗，利用 AI-agent 探索每種方案的潛在惡意策略集合及其發生概率，並通過模擬結果直觀展示這些策略對系統的影響。

創新點與目標

1. 將強化學習引入 Token Engineering，形成基於 AI-agent 的協議機制優化方法。
2. 提出具有普適性、可落地、可復用的方法，有望提升整個代幣生態系統的經濟安全性。
3. 利用 Holobit 平台，使模型更易被理解、使用和驗證。

短期目標包括探索潛在惡意策略、提供科學嚴謹的研究方法，以及從 bonding curve 角度提出提高經濟安全性的建議。長期目標是推廣 Token Engineering，使更多人能參與到代幣生態系統的構建中。

預期成果

1. 一個引入 AI-agent 的代幣經濟鏈下模擬模型，包含 8 種 PAMM 與 SAMM 組合的實驗方案。
2. 一份基於 AI-agent 探索的不同 bonding curve 組合下潛在惡意攻擊策略的研究報告。

項目價值

該項目不僅有助於提高代幣系統的安全性，還能推動 Token Engineering 的普及與實踐。通過公開透明的模型和實驗過程，項目旨在讓更多人理解並參與到這一前沿領域中，爲構建更安全、可持續的代幣生態系統做出貢獻。