E-PoW: ربط التعلم الذكي الاصطناعي وتعدين البلوكشين في أنظمة الجيل السادس

جدول المحتويات

80%

الطاقة الحاسوبية المستعادة

90%

عبء العمل الذكي من MMC

6G

النظام المستهدف

1. المقدمة

يمثل دمج تقنيات الذكاء الاصطناعي والبلوكشين في أنظمة الجيل السادس (6G) فرصاً وتحديات في آن واحد. فبينما يمكّن الذكاء الاصطناعي من التشبيك الذكي وتحليل البيانات، يضمن البلوكشين الأمان والشفافية. ومع ذلك، تتطلب تدريبات الذكاء الاصطناعي موارد حاسوبية هائلة، وهي محدودة في أجهزة الجيل السادس، كما تستهلك بلوكشينات إثبات العمل التقليدية طاقة حاسوبية ضخمة في عمليات التعدين، مما يجعلها عرضة لانتقادات بسبب الهدر.

2. الخلفية والأعمال ذات الصلة

2.1 أنظمة الجيل السادس ومتطلبات الذكاء الاصطناعي

من المتصور أن تدعم أنظمة الجيل السادس تطبيقات الذكاء الاصطناعي المنتشرة التي تتطلب حسابات مصفوفات موسعة. وفقاً لأبحاث جوجل حول وحدات معالجة الموترات، فإن ما يقرب من 90% من عبء عمل الذكاء الاصطناعي يأتي من الشبكات العصبية متعددة الطبقات والشبكات العصبية المتكررة، وكلاهما يعتمد بشكل كبير على حسابات ضرب المصفوفات (MMC).

2.2 آليات الإجماع في البلوكشين

يتضمن إجماع إثبات العمل التقليدية قيام المعدّنين بإجراء عمليات بحث بالقوة الغاشمة عن قيم الهاش المستهدفة، مما يستهلك طاقة كبيرة. تقلل آليات الإجماع البديلة مثل إثبات الحصة وإثبات النشاط من استهلاك الطاقة ولكنها قد تتنازل عن اللامركزية والأمان.

3. E-PoW: إثبات العمل المتطور

3.1 البنية التقنية

يدمج E-PoW حسابات المصفوفات من تدريب الذكاء الاصطناعي في عملية تعدين البلوكشين. تسمح آلية الإجماع للمعدّنين بأداء حسابات ذكية اصطناعية قيّمة أثناء البحث في الوقت نفسه عن كتل صالحة، مما يربط بشكل فعال بين التعلم الذكي الاصطناعي وتعدين البلوكشين من خلال موارد حاسوبية مشتركة.

3.2 الأساس الرياضي

يكمن الابتكار الأساسي في دمج عمليات المصفوفات في عملية التعدين. يتم إعادة صياغة مشكلة التعدين لتشمل التحقق من ضرب المصفوفات:

$H(block\_header || nonce || MMC\_result) < target$

حيث يمثل $MMC\_result = A \times B$ حساب ضرب المصفوفات من مهام تدريب الذكاء الاصطناعي.

خوارزمية تعدين E-PoW

function ePowMine(block_header, AI_tasks):
    while True:
        nonce = generate_random_nonce()
        
        # تنفيذ حساب مصفوفات الذكاء الاصطناعي
        matrix_result = compute_MMC(AI_tasks)
        
        # حساب الهاش المدمج
        hash_input = block_header + nonce + matrix_result
        hash_value = sha256(hash_input)
        
        if hash_value < target_difficulty:
            return (nonce, matrix_result, hash_value)
        
        update_AI_tasks()

4. التنفيذ والنتائج

4.1 الإعداد التجريبي

تم اختبار إجماع E-PoW في بيئة الجيل السادس المحاكاة مع عقد تعدين متعددة تؤدي مهام تدريب ذكية اصطناعية متوازية تشمل نماذج تصنيف الصور ومعالجة اللغة الطبيعية.

4.2 تحليل الأداء

تُظهر النتائج التجريبية أن E-PoW يمكنه استعادة ما يصل إلى 80% من الطاقة الحاسوبية من التعدين الخالص للكتل لتستخدم في التدريب الذكي الاصطناعي المتوازي. حافظ النظام على أمان البلوكشين مع تسريع كبير لتقارب النماذج الذكية.

مقارنة الأداء: E-PoW مقابل إثبات العمل التقليدي

وصف الرسم البياني: رسم بياني شريطي يظهر مقارنة تخصيص موارد الحوسبة بين E-PoW وإثبات العمل التقليدي. يظهر E-PoW تخصيص 80% من الموارد للتدريب الذكي الاصطناعي و20% للتعدين، بينما يظهر إثبات العمل التقليدي تخصيص 100% للتعدين مع صفر استخدام للذكاء الاصطناعي.

5. التطبيقات المستقبلية

يمتلك E-PoW إمكانات كبيرة في بيئات الحوسبة الطرفية، وأنظمة التعلم الموحد، وشبكات إنترنت الأشياء حيث تكون الكفاءة الحاسوبية بالغة الأهمية. يمكن للتطورات المستقبلية أن تندمج مع تقنيات ناشئة مثل الحوسبة العصبية وأنظمة البلوكشين المقاومة للحوسبة الكمومية.

التحليل الأصلي

يمثل إجماع E-PoW نقلة نوعية في كيفية تعاملنا مع تخصيص الموارد الحاسوبية في الأنظمة الموزعة. من خلال الاعتراف بالأساس الرياضي المشترك بين تدريب الذكاء الاصطناعي وتعدين البلوكشين، أنشأ المؤلفون علاقة تكافلية بين تقنيتين تبدوان متباعدتين. هذا النهج يتردد صدى المبادئ الموجودة في أطر الحوسبة المبتكرة الأخرى، مثل بنية CycleGAN التي وجدت روابط غير متوقعة بين مجالات مختلفة من خلال الهياكل الرياضية المشتركة.

ما يجعل E-PoW مثيراً للاهتمام بشكل خاص هو نهجه العملي تجاه مشكلة معروفة. على عكس العديد من المقترحات النظرية التي تضحي بالأمان من أجل الكفاءة، يحافظ E-PoW على خصائص الأمان المثبتة لإثبات العمل التقليدي مع تحسين الكفاءة الحاسوبية بشكل كبير. يتماشى هذا مع نتائج مبادرة IEEE للجيل السادس، التي تؤكد على الحاجة إلى آليات إجماع موفرة للطاقة في شبكات الجيل التالي.

معدل استعادة الطاقة الحاسوبية البالغ 80% الذي تم إظهاره في التجارب ملحوظ، خاصةً بالنظر إلى أنه لا يتنازل عن الخصائص الأساسية للبلوكشين. يمكن أن يكون لهذا الكسب في الكفاءة آثار عميقة على عمليات البلوكشين المستدامة، معالجةً أحد الانتقادات الرئيسية لتعدين العملات المشفرة. يشبه هذا النهج كيفية تحسين بنية وحدة معالجة الموترات من جوجل لعمليات المصفوفات التي تهيمن على كل من الذكاء الاصطناعي وأنواع معينة من الحسابات التشفيرية.

بالنظر إلى المستقبل، يمكن لـ E-PoW تمكين فئات جديدة من التطبيقات في شبكات الجيل السادس حيث يجب أن يتعايش الذكاء الاصطناعي والبلوكشين بكفاءة. كما لوحظ في مواصفات 3GPP للشبكات المستقبلية، سيكون دمج الذكاء الاصطناعي وتقنيات السجلات الموزعة حاسماً لعمليات الشبكة المستقلة. يوفر E-PoW مسار تنفيذ ملموس نحو هذه الرؤية.

ومع ذلك، لا تزال هناك تحديات في توحيد مهام حساب المصفوفات وضمان المنافسة العادلة بين المعدّنين ذوي القدرات الحاسوبية غير المتجانسة. يجب أن يستكشف العمل المستقبلي آليات تعديل الصعوبة التكيفية التي تأخذ في الاعتبار تعقيدات كل من التعدين والحساب الذكي الاصطناعي، على غرار كيفية موازنة خوارزميات البحث المعماري العصبي الحديثة لأهداف متعددة.

6. المراجع

Zhu, J. Y., Park, T., Isola, P., & Efros, A. A. (2017). Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks. IEEE International Conference on Computer Vision.
Nakamoto, S. (2008). Bitcoin: A Peer-to-Peer Electronic Cash System.
King, S., & Nadal, S. (2012). PPCoin: Peer-to-Peer Crypto-Currency with Proof-of-Stake.
IEEE 6G Initiative. (2023). Roadmap to 6G: Connecting Everything by 2030.
3GPP Technical Specification Group. (2024). Study on Scenarios and Requirements for Next Generation Access Technologies.
Jouppi, N. P., et al. (2017). In-Datacenter Performance Analysis of a Tensor Processing Unit. ACM/IEEE 44th Annual International Symposium on Computer Architecture.