Mikataba ya Kielektroniki ya Kujitegemea ya Kujifunza Mashine kwenye Blockchain ya Ethereum

Yaliyomo

1. Utangulizi

Utafiti huu unaleta mbinu mpya ya kuunda mikataba ya kujitegemea ya kujifunza mashine kwenye blockchain ya Ethereum. Mfumo huu unawezesha tathmini otomatiki na ubadilishanaji wa miundo ya kujifunza mashine kupitia mikataba ya akili, kuondoa hatari ya wahusika na kuunda soko la ushirika la suluhisho za AI.

2. Msingi

2.1 Blockchain na Fedha za Kripto

Bitcoin ilianzisha uhifadhi na uhamisho wa kujitegemea wa fedha kwa kutumia usimbu fiche wa ufunguo wa umma na makubaliano ya blockchain. Ethereum ilipanua uwezo huu kwa mikataba ya akili yenye ukamilifu wa Turing, kuwezesha programu tata za kujitegemea zikiwemo mifumo ya wadhamini na mashirika ya kujitegemea.

2.2 Mafanikio ya Kujifunza Mashine

Mafanikio ya 2012 ya Krizhevsky et al. yalionyesha kuwa GPU zinaweza kufundisha mitandao ya kina ya neva kwa ufanisi, na kusababisha mifumo ya AI kuzidi utendaji wa binadamu katika kazi maalum kama uainishaji wa picha, utambuzi wa sauti, na uchezaji wa michezo.

3. Mfumo wa Kiufundi

3.1 Usanifu wa Mkataba wa Akili

Mfumo uliopendekezwa unatumia mikataba ya akili ya Ethereum kuunda soko la ushirika ambapo:

• Wenye data wanaweza kuweka changamoto za ML zenye malipo
• Wafundishaji wa miundo wanaweza kuwasilisha suluhisho
• Uthibitishaji otomatiki unahakikisha usahihi wa suluhisho
• Malipo yanasambazwa kiotomatiki

3.2 Utaratibu wa Uthibitishaji wa Mfumo

Mkataba unatumia seti ya uthibitishaji ya kujitenga kutathmini kiotomatiki miundo iliyowasilishwa. Mchakato wa uthibitishaji unahakikisha miundo inafanya vizuri na kuzuia kuzidi kufundisha kupitia seti za data huru za kupima.

3.3 Motisha za Kiuchumi

Mfumo huunda bei zinazoongozwa na soko kwa rasilimali za mafunzo za GPU, kuruhusu wachimbaji kugawa vifaa kwa nguvu kati ya uchimbaji wa fedha za kripto na mafunzo ya kujifunza mashine kulingana na faida.

4. Maelezo ya Utekelezaji

4.1 Msingi wa Kihisabati

Mchakato wa mafunzo ya mtandao wa neva unaweza kuwakilishwa kama shida ya uboreshaji inayopunguza kitendakazi hasi:

$L(\theta) = \frac{1}{m} \sum_{i=1}^{m} L(f(x^{(i)}; \theta), y^{(i)})$

Ambapo $\theta$ inawakilisha vigezo vya mfumo, $m$ ni idadi ya mifano ya mafunzo, na $L$ ni kitendakazi hasi kinacholinganisha utabiri $f(x^{(i)}; \theta)$ na lebo za kweli $y^{(i)}$.

4.2 Utekelezaji wa Msimbo

Hapa chini kuna muundo rahisi wa mkataba wa akili wa Solidity kwa soko la ML:

contract MLMarketplace {
    struct Challenge {
        address owner;
        bytes32 datasetHash;
        uint256 reward;
        uint256 accuracyThreshold;
        bool active;
    }
    
    mapping(uint256 => Challenge) public challenges;
    
    function submitModel(uint256 challengeId, bytes32 modelHash, uint256 accuracy) public {
        require(challenges[challengeId].active, "Changamoto haitumiki");
        require(accuracy >= challenges[challengeId].accuracyThreshold, "Usahihi mdogo sana");
        
        // Hamisha malipo kwa mtaitisha
        payable(msg.sender).transfer(challenges[challengeId].reward);
        challenges[challengeId].active = false;
    }
    
    function createChallenge(bytes32 datasetHash, uint256 accuracyThreshold) public payable {
        uint256 challengeId = nextChallengeId++;
        challenges[challengeId] = Challenge({
            owner: msg.sender,
            datasetHash: datasetHash,
            reward: msg.value,
            accuracyThreshold: accuracyThreshold,
            active: true
        });
    }
}

4.3 Matokeo ya Majaribio

Mfumo uliopendekezwa ulijaribiwa na kazi za uainishaji wa picha kwa kutumia seti ya data ya CIFAR-10. Uthibitishaji unaotegemea blockchain ulipata usahihi unaolingana na mbinu za kawaida za uthibitishaji zilizokusanywa huku ukitoa uthibitishaji wa kujitegemea.

5. Uchambuzi na Majadiliano

Mfumo wa mkataba wa kujitegemea wa kujifunza mashine unawakilisha maendeleo makubwa katika matumizi ya ushirika ya AI. Kwa kutumia uwezo wa mikataba ya akili ya Ethereum, mbinu hii inashughulikia masuala muhimu katika ukuzaji wa kawaida wa miundo ya ML, ikiwemo uthibitishaji wa imani na uhakika wa malipo. Kama vile CycleGAN (Zhu et al., 2017) ilivyobadilisha usahihishaji wa picha-hadi-picha usio na usimamizi kwa kuwezesha mafunzo bila mifano ya jozi, mfumo huu unabadilisha ukuzaji wa mfumo wa ML kwa kuondoa hitaji la wapatanishi wa kuaminika.

Usanifu wa kiufundi unaonyesha jinsi blockchain inaweza kutoa matokeo yanayoweza kuthibitika ya hesabu, dhana iliyochunguzwa na mashirika kama Msingi wa Ethereum katika utafiti wao wa mitandao ya ushirika ya oraculi. Mfumo wa kiuchumi unaunda utaratibu wa asili wa ugunduzi wa bei kwa rasilimali za hesabu za GPU, inayoweza kusababisha ugawaji bora zaidi kati ya uchimbaji wa fedha za kripto na mizigo ya kazi ya kujifunza mashine. Kulingana na utafiti wa NVIDIA wa hesabu za GPU, GPU za kisasa zinaweza kufikia hadi 125 TFLOPS kwa mizigo ya kazi ya AI, na kuzifanya bora kwa algoriti za makubaliano ya blockchain na mafunzo ya mtandao wa neva.

Ikilinganishwa na jukwaa za kawaida za kusanyiko za ML kama TensorFlow Enterprise ya Google au Amazon SageMaker, mbinu hii ya ushirika inatoa faida kadhaa: hakuna hatua moja ya kushindwa, uthibitishaji wa uwazi wa mfumo, na upatikanaji wa kimataifa. Hata hivyo, changamoto zinasalia katika kuongeza kipimo cha suluhisho kwa miundo mikuu na seti kubwa za data kutokana na gharama za gesi ya Ethereum na mipaka ya ukubwa wa kizuizi. Usanifu wa mfumo unalingana na kanuni zilizoainishwa katika karatasi nyeupe ya Ethereum (Buterin, 2014) ya kuunda programu za ushirika zinazofanya kazi bila wahusika wa tatu wa kuaminika.

Utaratibu wa uthibitishaji, ingawa unaafiki kwa kazi za kawaida za uainishaji, unaweza kuhitaji kubadilishwa kwa matatizo magumu zaidi ya ML kama kujifunza kwa nguvu au mitandao ya kupingana ya kizazi (GANs). Kurudia kwa baadaye kunaweza kujumuisha uthibitisho wa siri sifuri kwa uthibitishaji wa mfumo ili kuboresha faragha huku ukidumisha uthibitishaji, sawa na mbinu zinazotengenezwa na mashirika kama Zcash na timu ya Utafiti wa Faragha na Kuongeza Kipimo ya Ethereum.

6. Matumizi ya Baadaye

Mfumo wa mkataba wa kujitegemea wa ML una matumizi mengi ya uwezekano:

• Masoko ya Kujifunza Shirikishi: Wezesha mafunzo ya mfumo yanayohifadhi faragha katika vyanzo vingi vya data
• Ukuzaji Otomatiki wa AI: Mawakala wa programu ambayo huunda na kuweka kiotomatiki miundo ya ML
• Suluhisho za ML za Mnyororo Mwingi: Ujumuishaji na mitandao mingine ya blockchain kwa hesabu maalum
• Masoko ya Data ya Ushirika: Masoko ya data na mfumo yaliyounganishwa na asili inayoweza kuthibitika
• Ujumuishaji wa Hesabu ya Ukingoni: Vifaa vya IoT vinavyoshiriki katika mafunzo ya mfumo yaliyosambazwa

7. Marejeo

1. Buterin, V. (2014). Ethereum: Jukwaa la Kizazi Kijacho la Mkataba wa Akili na Programu ya Ushirika
2. Krizhevsky, A., Sutskever, I., & Hinton, G. E. (2012). Uainishaji wa ImageNet na mitandao ya kina ya neva ya kijumuishaji
3. Zhu, J. Y., Park, T., Isola, P., & Efros, A. A. (2017). Usahihishaji wa picha-hadi-picha usio na jozi kwa kutumia mitandao ya kupingana yenye mzunguko thabiti
4. Silver, D., et al. (2016). Kutawala mchezo wa Go na mitandao ya kina ya neva na utafutaji wa mti
5. He, K., Zhang, X., Ren, S., & Sun, J. (2015). Kujifunza kwa mabaki ya kina kwa utambuzi wa picha
6. Hornik, K. (1991). Uwezo wa makadirio ya mitandao ya tabaka nyingi ya usambazaji mbele
7. Chung, J. S., Senior, A., Vinyals, O., & Zisserman, A. (2016). Kusoma midomo sentensi porini
8. Msingi wa Ethereum. (2023). Mapendekezo ya Uboreshaji ya Ethereum
9. Kampuni ya NVIDIA. (2023). Hesabu za GPU kwa AI na Kujifunza Kina