Token Engineering Commons 2024春季资助项目介绍

本文将介绍一个获得2024年春季Token Engineering Commons(TEC)资助的创新项目。该项目旨在优化代币生态系统中的bonding curve机制,提升系统的经济安全性。

项目背景

Bonding curve作为代币生态系统的重要组成部分,在控制代币价格波动、提供流动性、动态化代币供应等方面发挥着关键作用。早在2018年就有团队提出将AI-agent用于机制优化,但未能大规模落地。近年来,BCRG(Bonding Curve Research Group)对bonding curve进行了较为全面的研究,但尚未深入到恶意策略探索等更深层次的研究中。

项目内容

本项目将利用强化学习训练AI-agent,探索不同PAMM和SAMM bonding curve组合下潜在攻击者的恶意策略。通过比较分析与行为空间探索,寻找相对稳定的bonding curve参数组合,优化协议机制设计,降低代币生态系统的经济安全风险。

具体来说,项目将选取4种PAMM curve(Linear、Exponential、Power和Sigmoid)和2种SAMM curve(恒定乘积和混合型),组成8种组合方案进行实验。利用agent-based modeling and simulation方法,探索每种方案的潜在恶意策略集合及其发生概率,并模拟展示这些策略对系统的影响,从而制定应对策略和机制优化方案。

创新点

1. 将强化学习引入Token Engineering,形成基于AI-agent的协议机制优化方法
2. 该方法具有普适性,可落地、可复用,有望提升整个代币生态系统的经济安全性
3. 借助Holobit平台,使模型更易被大众理解、使用和验证

项目目标

短期目标:

• 探索不同bonding curve组合下的潜在恶意策略,识别风险并提出应对方案
• 为bonding curve研究提供科学严谨的方法
• 从bonding curve角度提出提高代币生态系统经济安全性的建议

长期目标: 推广结合AI的Agent-based modeling and simulation方法,普及Token Engineering,使更多人能参与构建反脆弱和可持续的代币生态系统。

预期成果

1. 一个引入AI-agent的代币经济链下模拟模型,包含8种PAMM与SAMM组合的实验方案
2. 一份基于AI-agent探索的不同bonding curve组合下潜在恶意攻击策略的研究报告

项目价值

• 便捷:模型公开透明,人人可读、可用、可验证
• 教育:帮助大众了解bonding curve原理及其在代币生态系统中的作用
• 透明:通过可视化展示建模机制和实验过程
• 社区驱动:社区成员可以复用模型进行各种实验,推动协议优化
• 与Token Engineering原则对齐:促进去中心化的代币工程实践