فهرست مطالب
80%
قدرت محاسباتی بازیابی شده
90%
بار کاری هوش مصنوعی از MMC
6G
سیستم هدف
1. مقدمه
ادغام فناوری‌های هوش مصنوعی و بلاک‌چین در سیستم‌های نسل ششم (6G) هم فرصت‌ها و هم چالش‌هایی را ارائه می‌دهد. در حالی که هوش مصنوعی شبکه‌بندی هوشمند و تحلیل داده را ممکن می‌سازد، بلاک‌چین امنیت و شفافیت را تضمین می‌کند. با این حال، آموزش هوش مصنوعی به منابع محاسباتی قابل توجهی نیاز دارد که در دستگاه‌های 6G محدود هستند، و بلاک‌چین‌های سنتی اثبات کار (PoW) برای عملیات استخراج، قدرت محاسباتی عظیمی مصرف می‌کنند که اغلب به عنوان اتلاف مورد انتقاد قرار می‌گیرند.
2. پیشینه و کارهای مرتبط
2.1 سیستم‌های 6G و الزامات هوش مصنوعی
تصور می‌شود سیستم‌های 6G از برنامه‌های کاربردی فراگیر هوش مصنوعی که به محاسبات ماتریسی گسترده نیاز دارند، پشتیبانی کنند. بر اساس تحقیقات گوگل در مورد واحدهای پردازش تنسور، نزدیک به 90 درصد بار کاری هوش مصنوعی از پرسپترون‌های چندلایه و شبکه‌های عصبی بازگشتی ناشی می‌شود که هر دو به شدت به محاسبات ضرب ماتریس (MMC) وابسته هستند.
2.2 مکانیسم‌های اجماع بلاک‌چین
اجماع سنتی PoW شامل انجام جستجوهای brute-force توسط ماینرها برای یافتن مقادیر هش هدف است که انرژی قابل توجهی مصرف می‌کند. مکانیسم‌های اجماع جایگزین مانند اثبات سهام (PoS) و اثبات فعالیت (PoA) مصرف انرژی را کاهش می‌دهند اما ممکن است غیرمتمرکزسازی و امنیت را به خطر بیندازند.
3. E-PoW: اثبات کار تکامل‌یافته
3.1 معماری فنی
E-PoW محاسبات ماتریسی از آموزش هوش مصنوعی را در فرآیند استخراج بلاک‌چین ادغام می‌کند. این مکانیسم اجماع به ماینرها اجازه می‌دهد تا همزمان با جستجو برای بلاک‌های معتبر، محاسبات ارزشمند هوش مصنوعی را نیز انجام دهند و به طور مؤثر یادگیری هوش مصنوعی و استخراج بلاک‌چین را از طریق منابع محاسباتی مشترک به هم متصل کنند.
3.2 مبانی ریاضی
نوآوری اصلی در ادغام عملیات ماتریسی در فرآیند استخراج نهفته است. مسئله استخراج برای شامل کردن تأیید ضرب ماتریس بازفرمول‌بندی شده است:
$H(block\_header || nonce || MMC\_result) < target$
جایی که $MMC\_result = A \times B$ نشان‌دهنده محاسبه ضرب ماتریس از وظایف آموزش هوش مصنوعی است.
الگوریتم استخراج E-PoW
function ePowMine(block_header, AI_tasks):
while True:
nonce = generate_random_nonce()
# انجام محاسبه ماتریسی هوش مصنوعی
matrix_result = compute_MMC(AI_tasks)
# محاسبه هش ترکیبی
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. پیاده‌سازی و نتایج
4.1 تنظیمات آزمایشی
اجماع E-PoW در یک محیط شبیه‌سازی شده 6G با چندین نود استخراج که وظایف آموزش موازی هوش مصنوعی از جمله مدل‌های طبقه‌بندی تصویر و پردازش زبان طبیعی را انجام می‌دادند، آزمایش شد.
4.2 تحلیل عملکرد
نتایج آزمایشی نشان می‌دهد که E-PoW می‌تواند تا 80 درصد قدرت محاسباتی را از استخراج خالص بلاک برای آموزش موازی هوش مصنوعی بازیابی کند. این سیستم در حالی که امنیت بلاک‌چین را حفظ می‌کرد، همگرایی مدل هوش مصنوعی را به طور قابل توجهی تسریع کرد.
مقایسه عملکرد: E-PoW در مقابل PoW سنتی
توضیح نمودار: نمودار میله‌ای نشان‌دهنده مقایسه تخصیص منابع محاسباتی بین E-PoW و PoW سنتی. E-PoW نشان می‌دهد که 80 درصد منابع به آموزش هوش مصنوعی و 20 درصد به استخراج اختصاص یافته است، در حالی که PoW سنتی نشان می‌دهد 100 درصد منابع به استخراج با صفر درصد استفاده از هوش مصنوعی اختصاص یافته است.
5. کاربردهای آینده
E-PoW پتانسیل قابل توجهی در محیط‌های رایانش لبه، سیستم‌های یادگیری فدرال و شبکه‌های اینترنت اشیا دارد که در آن‌ها کارایی محاسباتی حیاتی است. توسعه‌های آینده می‌توانند با فناوری‌های نوظهور مانند رایانش نورومورفیک و سیستم‌های بلاک‌چین مقاوم در برابر کوانتوم ادغام شوند.
تحلیل اصلی
اجماع E-PoW نشان‌دهنده یک تغییر پارادایم در نحوه برخورد ما با تخصیص منابع محاسباتی در سیستم‌های توزیع‌شده است. با تشخیص بنیان ریاضی مشترک بین آموزش هوش مصنوعی و استخراج بلاک‌چین، نویسندگان یک رابطه همزیستی بین دو فناوری به ظاهر نامرتبط ایجاد کرده‌اند. این رویکرد با اصول دیده شده در سایر چارچوب‌های محاسباتی نوآورانه، مانند معماری CycleGAN (Zhu et al., 2017) که از طریق ساختارهای ریاضی مشترک، ارتباطات غیرمنتظره‌ای بین حوزه‌های مختلف پیدا کرد، همخوانی دارد.
آنچه E-PoW را به ویژه قانع‌کننده می‌سازد، رویکرد عملی آن در قبال یک مشکل شناخته شده است. برخلاف بسیاری از پیشنهادات نظری که امنیت را فدای کارایی می‌کنند، E-PoW ویژگی‌های امنیتی اثبات‌شده PoW سنتی را حفظ می‌کند و در عین حال کارایی محاسباتی را به طور چشمگیری بهبود می‌بخشد. این با یافته‌های ابتکار 6G آی‌تریپل‌ای که بر نیاز به مکانیسم‌های اجماع بهینه از نظر انرژی در شبکه‌های نسل بعدی تأکید می‌کند، همسو است.
نرخ بازیابی 80 درصدی قدرت محاسباتی که در آزمایش‌ها نشان داده شد، قابل توجه است، به ویژه با توجه به اینکه این امر ویژگی‌های اساسی بلاک‌چین را به خطر نمی‌اندازد. این سود کارایی می‌تواند پیامدهای عمیقی برای عملیات پایدار بلاک‌چین داشته باشد و به یکی از انتقادات اصلی از استخراج ارزهای دیجیتال می‌پردازد. این رویکرد شباهتی به نحوه بهینه‌سازی معماری TPU گوگل برای عملیات ماتریسی که بر هر دو حوزه هوش مصنوعی و انواع خاصی از محاسبات رمزنگاری مسلط هستند، دارد.
با نگاه به آینده، E-PoW می‌تواند کلاس‌های جدیدی از برنامه‌های کاربردی را در شبکه‌های 6G که در آن‌ها هوش مصنوعی و بلاک‌چین باید به طور کارآمد همزیستی داشته باشند، ممکن سازد. همانطور که در مشخصات 3GPP برای شبکه‌های آینده ذکر شده است، ادغام هوش مصنوعی و فناوری‌های دفترکل توزیع‌شده برای عملیات شبکه مستقل بسیار مهم خواهد بود. E-PoW یک مسیر پیاده‌سازی مشخص به سوی این چشم‌انداز ارائه می‌دهد.
با این حال، چالش‌هایی در استانداردسازی وظایف محاسبات ماتریسی و اطمینان از رقابت عادلانه بین ماینرها با قابلیت‌های محاسباتی ناهمگن باقی می‌ماند. کارهای آینده باید مکانیسم‌های تنظیم دشواری تطبیقی را که هم پیچیدگی‌های استخراج و هم محاسبات هوش مصنوعی را در نظر می‌گیرند، بررسی کنند، مشابه نحوه‌ای که الگوریتم‌های جستجوی معماری عصبی مدرن اهداف چندگانه را متعادل می‌کنند.
6. مراجع
- 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.