X-LoRA

LoRA Uzmanları Karışımı (X-LoRA), yüksek granülerlikte (token, katman, dizi) ölçekleme matrisine dayalı olarak LoRA uzmanlarının seyrek veya yoğun karışımını mümkün kılan bir PEFT yöntemidir. Bu yöntem, dondurulmuş LoRA adaptörlerini ve dondurulmuş bir temel modeli kullanarak, ince ayar gerektiren parametre sayısını önemli ölçüde azaltır.

X-LoRA'nın benzersiz bir özelliği çok yönlülüğüdür: LoRA adaptörleriyle herhangi bir transformers taban modeline uygulanabilir. Bu, uzmanlar karışımı stratejisine rağmen model kodunda herhangi bir değişiklik yapılmasına gerek olmadığı anlamına gelir.

Aşağıdaki grafik, her token için farklı istemlerde ölçeklendirmelerin nasıl değiştiğini göstermektedir. Bu, üretim ilerledikçe ve dizi yeni bir bağlam oluşturdukça farklı adaptörlerin etkinleşmesini vurgular.

Her adım için X-LoRA, temel modelin iki kez çalıştırılmasını gerektirir: birincisi, herhangi bir LoRA adaptörü olmadan gizli durumları (hidden states) almak için; ikincisi ise, gizli durumlar LoRA adaptörlerine uygulanacak ölçeklemeleri hesaplamak için kullanılır ve model ikinci kez çalıştırılır. İkinci çalıştırmanın çıktısı, model adımının sonucudur.

Sonuç olarak X-LoRA, çift ileri geçiş şeması sayesinde modelin bilgi üzerine düşünmesine ve mimariyi dinamik olarak yeniden yapılandırmasına olanak tanır.

Makalenin özeti şudur:

Derin katman bazlı, token seviyesinde bir yaklaşım üzerine kurulu, düşük rütbeli adaptasyon (LoRA) tabanlı ince ayarlanmış büyük dil modelleri oluşturmak için uzman karışımı stratejisi sunuyoruz. Ön eğitilmiş bir LoRA adaptörleri setinden başlayarak, kapı stratejimiz gizli durumları kullanarak adapte edilmiş katmanları dinamik olarak karıştırır; bu da ortaya çıkan X-LoRA modelinin farklı yeteneklerden yararlanmasına ve görevleri çözmek için daha önce hiç kullanılmamış derin katman bazlı kombinasyonlar oluşturmasına olanak tanır. Tasarım, sinir ağı yapı taşlarının farklı hiyerarşik tezahürlerde yeniden kullanıldığı biyolojik evrenselliği ve çeşitliliği ilkelerinden ilham alır. Bu nedenle, X-LoRA modeli, alt yapının yapısında değişiklik yapma ihtiyacı duymadan, mevcut herhangi bir büyük dil modeline (LLM) kolayca uygulanabilir. Bilimsel yetenekler sunan, ileri/ters analiz görevleri ve geliştirilmiş akıl yürütme yeteneğine odaklanan, biyomalzeme analizi, protein mekaniği ve tasarımı üzerine odaklanmış özel bir X-LoRA modeli geliştiriyoruz. Bu çalışmanın etkileri, güçlü alan bilgisi ve bilgi alanları arasında entegrasyon yeteneğine sahip, kolayca genişletilebilir ve uyarlanabilir modellere erişimi içerir. Biyoloji, matematik, akıl yürütme, biyomimik malzemeler, mekanik ve malzemeler, kimya, protein biyofiziği, mekanik ve kuantum mekaniğine dayalı moleküler özellikler alanlarında uzmanlara sahip bir dizi fizik odaklı vaka çalışması gerçekleştiriyoruz. Bilgi hatırlama, protein mekaniği ileri/ters görevleri, protein tasarımı, ontolojik bilgi grafiği inşası dahil olmak üzere advers ajan modelleme ve moleküler tasarımı inceliyoruz. Model, proteinlerin nanomekanik özellikleri veya kuantum mekanik moleküler özelliklerinin nicel tahminlerini yapmanın yanı sıra, sonuçlar üzerinde akıl yürütebilir ve farklı moleküler davranışları açıklayan olası mekanizmaları doğru bir şekilde tahmin edebilir..

X-LoRA'yı şu şekilde atıf yapın:

@article{10.1063/5.0203126,
    author = {Buehler, Eric L. and Buehler, Markus J.},
    title = "{X-LoRA: Mixture of low-rank adapter experts, a flexible framework for large language models with applications in protein mechanics and molecular design}",
    journal = {APL Machine Learning},
    volume = {2},
    number = {2},
    pages = {026119},
    year = {2024},
    month = {05},
    abstract = "{We report a mixture of expert strategy to create fine-tuned large language models using a deep layer-wise token-level approach based on low-rank adaptation (LoRA). Starting with a set of pre-trained LoRA adapters, our gating strategy uses the hidden states to dynamically mix adapted layers, allowing the resulting X-LoRA model to draw upon different capabilities and create never-before-used deep layer-wise combinations to solve tasks. The design is inspired by the biological principles of universality and diversity, where neural network building blocks are reused in different hierarchical manifestations. Hence, the X-LoRA model can be easily implemented for any existing large language model without a need for modifications of the underlying structure. We develop a tailored X-LoRA model that offers scientific capabilities, including forward/inverse analysis tasks and enhanced reasoning capability, focused on biomaterial analysis, protein mechanics, and design. The impact of this work includes access to readily expandable and adaptable models with strong domain knowledge and the capability to integrate across areas of knowledge. Featuring experts in biology, mathematics, reasoning, bio-inspired materials, mechanics and materials, chemistry, protein biophysics, mechanics, and quantum-mechanics based molecular properties, we conduct a series of physics-focused case studies. We examine knowledge recall, protein mechanics forward/inverse tasks, protein design, adversarial agentic modeling including ontological knowledge graph construction, and molecular design. The model is capable not only of making quantitative predictions of nanomechanical properties of proteins or quantum mechanical molecular properties but also reasoning over the results and correctly predicting likely mechanisms that explain distinct molecular behaviors.}",
    issn = {2770-9019},
    doi = {10.1063/5.0203126},
    url = {https://doi.org/10.1063/5.0203126},
    eprint = {https://pubs.aip.org/aip/aml/article-pdf/doi/10.1063/5.0203126/19964043/026119\_1\_5.0203126.pdf},
}

API

XLoraConfig

XLoraModel

>>> import torch
>>> from transformers import AutoModelForCausalLM, AutoConfig, BitsAndBytesConfig
>>> from peft import XLoraConfig, get_peft_model, prepare_model_for_kbit_training

>>> model_config = AutoConfig.from_pretrained("mistralai/Mistral-7B-Instruct-v0.1")
>>> config = XLoraConfig(
...     task_type="CAUSAL_LM",
...     hidden_size=model_config.hidden_size,
...     xlora_depth=4,
...     adapters={
...         "adapter_1": "./path/to/the/checkpoint/",
...         "adapter_2": "./path/to/the/checkpoint/",
...         "adapter_n": "./path/to/the/checkpoint/",
...     },
... )
>>> int8_config = BitsAndBytesConfig(load_in_8bit=True)
>>> model = AutoModelForCausalLM.from_pretrained(
...     "mistralai/Mistral-7B-Instruct-v0.1",
...     trust_remote_code=True,
...     attn_implementation="flash_attention_2",
...     device_map="cuda:0",
...     torch_dtype=torch.bfloat16,
...     quantization_config=int8_config,
... )
>>> model = prepare_model_for_kbit_training(model)
>>> xlora_model = get_peft_model(model, config)