はじめに: Gonka PoW 2.0 のコアメカニズム

Gonka PoW 2.0の核となるアイデアは、従来のプルーフ・オブ・ワークを意味のあるAIコンピューティングタスクに変換することです。この記事では、その2つのコアメカニズムである計算課題生成と不正防止検証について詳細に解説します。この革新的なコンセンサスメカニズムが、信頼性の高い不正防止対策を確立しながら、計算上の有用性をどのように確保するかを説明します。

プロセス全体は次の図のようにまとめられます。

1. 計算課題生成メカニズム

Gonka PoW 2.0の中核を成すのは計算課題であり、従来のプルーフ・オブ・ワークを意味のあるAIコンピューティングタスクへと変革します。従来のPoWとは異なり、Gonkaの計算課題は単純なハッシュ計算ではなく、完全なディープラーニング推論プロセスであり、ネットワークセキュリティを確保するだけでなく、実用的な計算結果も生成します。

1.1 種子システムの統一管理

すべての計算は統一されたシードによって駆動され、ネットワーク内のすべてのノードが同じ計算タスクを実行することを保証します。この設計により、すべてのノードが同じ計算タスクを実行して有効な結果を得る必要があるため、計算の再現性と公平性が確保されます。

データソース: mlnode/packages/pow/src/pow/compute/compute.py#L217-L225

シードシステムの主な要素は次のとおりです。

-ブロックハッシュ: 計算タスクの一貫性を確保するためのマスターシードとして機能します

-公開鍵: コンピューティングノードのIDを識別する

-ブロックの高さ: 時間同期を確保する

-パラメータ設定：制御モデルのアーキテクチャと計算の複雑さ

1.2 LLaMAモデルの重みの決定論的初期化

各計算タスクは、ブロックハッシュによって決定論的に初期化される重みを持つ、統一されたLLaMAモデルアーキテクチャから開始されます。この設計により、すべてのノードが同じモデル構造と初期重みを使用し、一貫した計算結果が保証されます。

データソース: mlnode/packages/pow/src/pow/models/llama31.py#L32-L51

重み初期化の数学的原理:

-正規分布: N(0, 0.02²) - 分散が小さいため勾配の安定性が保証される

-決定論：同じブロックハッシュは同じ重みを生成する

-メモリ効率: ビデオメモリの使用量を削減するために float16 精度をサポートします

1.3 ターゲットベクトル生成と距離計算

ターゲットベクトルは高次元単位球面上に均一に分布しており、これが計算課題の公平性の鍵となります。高次元空間に均一に分布したターゲットベクトルを生成することで、計算課題のランダム性と公平性が確保されます。

データソース: mlnode/packages/pow/src/pow/random.py#L165-L177

4096 次元の語彙空間では、球面幾何学には次の特性があります。

-単位長さ:

-角度分布：任意の2つのランダムベクトル間の角度は90°になる傾向がある

-集中現象：質量の大部分は球の表面近くに分布する

球面上の均一分布の数学的原理：

n 次元空間では、単位球面上の均一分布は次のように生成できます。

1. まず、n個の独立した標準正規分布のランダム変数を生成します。

2. 次に正規化します。

この方法により、生成されたベクトルが球面上に均等に分散されることが保証され、数式は次のようになります。

でn-1球の表面積です。

距離計算は計算結果を検証する上で重要なステップです。計算の有効性は、モデル出力とターゲットベクトル間のユークリッド距離を計算することで測定されます。

データソース: mlnode/packages/pow/src/pow/compute/compute.py の処理ロジックに基づく

距離計算の手順:

1.順列適用:順列シードに従って出力次元を並べ替える

2.ベクトル正規化：すべての出力ベクトルが単位球面上にあることを確認する

3.距離計算：対象ベクトルまでのユークリッド距離を計算する

4.バッチカプセル化: 結果をProofBatchデータ構造にカプセル化する

2. 不正行為防止検証メカニズム

計算課題の公平性と安全性を確保するため、システムは高度な不正防止検証システムを設計しました。このメカニズムは、決定論的サンプリングと統計的検定を通じて計算の真正性を検証し、悪意のあるノードが不正行為によって不当な利益を得ることを防ぎます。

2.1 ProofBatchデータ構造

計算結果は、検証プロセスの中核となるProofBatchデータ構造にカプセル化されます。ProofBatchには、計算ノードの識別情報、タイムスタンプ、計算結果が含まれており、後続の検証に必要なデータ基盤を提供します。

データソース: mlnode/packages/pow/src/pow/data.py#L8-L25

ProofBatch データ構造の特徴:

-Identity : public_keyはコンピューティングノードを一意に識別します

-ブロックチェーンバインディング：block_hashとblock_heightが時間同期を保証します

-計算結果: noncesとdistはすべての試行とその距離値を記録します

-サブバッチサポート：しきい値を満たす成功した計算の抽出をサポート

2.2 決定論的サンプリングメカニズム

検証効率を向上させるため、本システムは決定論的サンプリング機構を採用し、計算結果全体ではなく一部のみを検証します。この設計により、検証の有効性が確保されるだけでなく、検証コストも大幅に削減されます。

Gonka の検証サンプリング レートは、ネットワーク全体の一貫性を確保するために、オンチェーン パラメータを通じて均一に管理されます。

データソース: inference-chain/proto/inference/inference/params.proto#L75-L78

データソース: inference-chain/x/inference/types/params.go#L129-L133

シードシステムに基づくサンプリングプロセスは完全に決定論的であり、検証の公平性を保証します。SHA-256ハッシュ関数とバリデータの公開鍵、ブロックハッシュ、ブロック高などの情報を用いてシードを生成することで、すべてのバリデータが同じサンプリング戦略を使用することが保証されます。

データソース: decentralized-api/mlnodeclient/poc.go#L175-L201

決定論的サンプリングの利点:

-公平性: すべてのバリデーターは同じサンプリング戦略を使用する

-効率性: データの一部のみを検証することで検証コストを削減

-セキュリティ: 不正行為を防ぐためにサンプリングされたデータを予測することは困難です

2.3 統計的不正検出

このシステムは、二項分布検定を用いて不正行為を検出し、統計的手法を用いて計算ノードの信頼性を判断します。この手法では、ハードウェアの精度と計算の複雑さに基づいて期待されるエラー率を設定し、統計的検定を用いて異常を検出します。

データソース: mlnode/packages/pow/src/pow/data.py#L7

予想エラー率は、次の要素を考慮して設定されます。

-浮動小数点精度: 異なるハードウェア間の浮動小数点精度の違い

-並列計算：GPU並列化によって生じる数値累積誤差

-ランダム性: モデルの重みの初期化における小さな違い

-システムの違い: 異なるオペレーティングシステムとドライバー間のコンピューティング動作の違い

データソース: mlnode/packages/pow/src/pow/data.py#L174-L204

概要: 安全で信頼性の高いAIコンピューティングネットワークの構築

Gonka PoW 2.0は、綿密に設計された計算チャレンジと不正防止検証メカニズムを通じて、ブロックチェーンのセキュリティ要件とAIコンピューティングの実用的価値をうまく融合させています。計算チャレンジは作業の意義を保証し、不正防止メカニズムはネットワークの公平性とセキュリティを保証します。

この設計は、「意味のあるマイニング」の技術的な実現可能性を検証するだけでなく、分散型 AI コンピューティングの新しい標準を確立します。つまり、コンピューティングは安全かつ有用で、検証可能で効率的である必要があります。

Gonka PoW 2.0 は、統計、暗号化、分散システム設計を組み合わせることで、計算上の有用性を確保しながら信頼性の高い不正防止メカニズムを確立し、「意味のあるマイニング」の技術的ルートに強固なセキュリティ基盤を提供しました。

注：この記事は、Gonkaプロジェクトの実際のコード実装と設計ドキュメントに基づいています。すべての技術分析と設定パラメータは、プロジェクトの公式コードリポジトリから取得されています。

Gonka.aiについて

Gonkaは、効率的なAIコンピューティングパワーを提供するために設計された分散型ネットワークです。その設計目標は、グローバルなGPUコンピューティングパワーを最大限に活用し、有意義なAIワークロードを完了することです。中央集権的なゲートキーパーを排除することで、Gonkaは開発者や研究者にコンピューティングリソースへのパーミッションレスなアクセスを提供し、参加者全員にネイティブGNKトークンを報酬として提供します。

Gonkaは、米国のAI開発会社Product Science Inc.によってインキュベートされました。Web 2業界のベテランであり、Snap Inc.の元コアプロダクトディレクターであるLibermans兄弟によって設立された同社は、2023年にOpenAIの投資家であるCoatue Management、Solanaの投資家であるSlow Ventures、K5、Insight、Benchmark Partnersなどの投資家から1,800万ドルの資金調達に成功しました。プロジェクトの初期段階からの貢献者には、6 Blocks、Hard Yaka、Gcore、Bitfuryなど、Web 2-Web 3分野の著名なリーダー企業が含まれています。

公式サイト| Github | X | Discord |ホワイトペーパー|経済モデル|ユーザーマニュアル