Token Engineering Commons 2024春季資助項目介紹

本文將介紹一個獲得2024年春季Token Engineering Commons(TEC)資助的創新項目。該項目旨在優化代幣生態系統中的bonding curve機制,提升系統的經濟安全性。

項目背景

Bonding curve作爲代幣生態系統的重要組成部分,在控制代幣價格波動、提供流動性、動態化代幣供應等方面發揮着關鍵作用。早在2018年就有團隊提出將AI-agent用於機制優化,但未能大規模落地。近年來,BCRG(Bonding Curve Research Group)對bonding curve進行了較爲全面的研究,但尚未深入到惡意策略探索等更深層次的研究中。

項目內容

本項目將利用強化學習訓練AI-agent,探索不同PAMM和SAMM bonding curve組合下潛在攻擊者的惡意策略。通過比較分析與行爲空間探索,尋找相對穩定的bonding curve參數組合,優化協議機制設計,降低代幣生態系統的經濟安全風險。

具體來說,項目將選取4種PAMM curve(Linear、Exponential、Power和Sigmoid)和2種SAMM curve(恆定乘積和混合型),組成8種組合方案進行實驗。利用agent-based modeling and simulation方法,探索每種方案的潛在惡意策略集合及其發生概率,並模擬展示這些策略對系統的影響,從而制定應對策略和機制優化方案。

創新點

1. 將強化學習引入Token Engineering,形成基於AI-agent的協議機制優化方法
2. 該方法具有普適性,可落地、可復用,有望提升整個代幣生態系統的經濟安全性
3. 借助Holobit平台,使模型更易被大衆理解、使用和驗證

項目目標

短期目標:

• 探索不同bonding curve組合下的潛在惡意策略,識別風險並提出應對方案
• 爲bonding curve研究提供科學嚴謹的方法
• 從bonding curve角度提出提高代幣生態系統經濟安全性的建議

長期目標: 推廣結合AI的Agent-based modeling and simulation方法,普及Token Engineering,使更多人能參與構建反脆弱和可持續的代幣生態系統。

預期成果

1. 一個引入AI-agent的代幣經濟鏈下模擬模型,包含8種PAMM與SAMM組合的實驗方案
2. 一份基於AI-agent探索的不同bonding curve組合下潛在惡意攻擊策略的研究報告

項目價值

• 便捷:模型公開透明,人人可讀、可用、可驗證
• 教育:幫助大衆了解bonding curve原理及其在代幣生態系統中的作用
• 透明:通過可視化展示建模機制和實驗過程
• 社區驅動:社區成員可以復用模型進行各種實驗,推動協議優化
• 與Token Engineering原則對齊:促進去中心化的代幣工程實踐