OPML: Phương pháp học máy mới dựa trên chủ nghĩa lạc quan

OPML(Học máy lạc quan) là một công nghệ mới nổi, nhằm áp dụng phương pháp lạc quan vào suy diễn và đào tạo/tinh chỉnh mô hình AI trong hệ thống blockchain. So với ZKML, OPML có lợi thế về chi phí thấp và hiệu quả cao, có thể chạy các mô hình ngôn ngữ lớn trên PC thông thường, chẳng hạn như mô hình 7B-LLaMA( có kích thước khoảng 26GB).

OPML sử dụng cơ chế trò chơi xác minh để đảm bảo tính phi tập trung và khả năng xác minh của dịch vụ ML. Quy trình cơ bản như sau:

1. Người yêu cầu khởi động nhiệm vụ dịch vụ ML
2. Máy chủ hoàn thành nhiệm vụ và nộp kết quả lên chuỗi.
3. Người xác thực tiến hành xác minh kết quả, nếu có tranh chấp thì khởi động trò chơi xác minh.
4. Thực hiện trọng tài một bước thông qua hợp đồng thông minh

Trò chơi xác thực một giai đoạn

Các yếu tố cốt lõi của OPML một giai đoạn bao gồm:

• Xây dựng máy ảo cho thực thi ngoại tuyến và trọng tài trên chuỗi (VM)
• Thực hiện thư viện DNN nhẹ chuyên dụng, nâng cao hiệu quả suy diễn mô hình AI
• Sử dụng công nghệ biên dịch chéo để biên dịch mã suy diễn AI thành lệnh VM
• Sử dụng cây Merkle để quản lý hình ảnh VM, chỉ tải lên hash gốc lên chuỗi

Thông qua giao thức phân đoạn để xác định các bước tranh chấp và gửi chúng đến hợp đồng trọng tài trên chuỗi. Các thử nghiệm ban đầu cho thấy, trên một PC thông thường có thể hoàn thành suy diễn mô hình AI cơ bản trong vòng 2 giây, toàn bộ quá trình thách thức mất khoảng 2 phút.

Trò chơi xác minh đa giai đoạn

Để khắc phục những hạn chế của phương pháp một giai đoạn, OPML đã giới thiệu trò chơi xác minh đa giai đoạn:

• Chỉ tính toán trong giai đoạn cuối trong VM, các giai đoạn khác có thể thực hiện trong môi trường địa phương.
• Sử dụng khả năng tăng tốc phần cứng như CPU, GPU, TPU
• Nâng cao hiệu suất thực thi một cách đáng kể bằng cách giảm bớt sự phụ thuộc vào VM

Ý tưởng cốt lõi của OPML đa giai đoạn là biểu diễn quá trình tính toán DNN dưới dạng đồ thị tính toán và xác minh ở các giai đoạn khác nhau. Phương pháp này có thể tận dụng tối đa tăng tốc phần cứng, nâng cao hiệu quả tổng thể.

Cải tiến hiệu suất

Phương pháp OPML đa giai đoạn có những ưu điểm nổi bật so với phương pháp đơn giai đoạn:

• Tăng tốc độ tính toán α lần ( α là tỷ lệ tăng tốc GPU hoặc tính toán song song )
• Kích thước của cây Merkle giảm từ O(mn) xuống O(m+n), trong đó m là số lượng vi lệnh VM, n là số lượng nút trong đồ thị tính toán.

Những cải tiến này đã nâng cao đáng kể hiệu quả và khả năng mở rộng của hệ thống.

Tính nhất quán và tính xác định

Để đảm bảo tính nhất quán của kết quả ML, OPML đã áp dụng các chiến lược sau:

1. Sử dụng thuật toán định điểm ( công nghệ lượng tử hóa ) giảm thiểu ảnh hưởng của lỗi số thực
2. Sử dụng thư viện số thực dựa trên phần mềm, đảm bảo tính nhất quán đa nền tảng

Các phương pháp này đã giải quyết hiệu quả vấn đề khác biệt trong tính toán số thực trên các nền tảng phần cứng khác nhau, nâng cao độ tin cậy của tính toán OPML.

Tổng thể, OPML cung cấp một giải pháp hiệu quả và chi phí thấp cho việc suy luận và đào tạo mô hình AI trong hệ thống blockchain. Mặc dù hiện tại chủ yếu tập trung vào suy luận mô hình, nhưng khung này cũng hỗ trợ quá trình đào tạo, hứa hẹn trở thành giải pháp chung cho các nhiệm vụ học máy khác nhau.