پروژه GatlingX، که توسط فارغ‌التحصیلان دانشگاه آکسفورد متخصص یادگیری ماشین و یادگیری تقویتی رهبری می‌شود، ماشین مجازی اتریومی (EVM) به نام GPU-EVM را معرفی کرده است که به عنوان پربازده‌ترین EVM موجود شناخته می‌شود. بر اساس امتیازات بنچمارک داخلی، GPU-EVM به عنوان یک راه‌حل مقیاس‌پذیری EVM عمل می‌کند که به حدی کارآمد است که امکان آموزش عوامل هوش مصنوعی (AI) مبتنی بر یادگیری تقویتی (RL) را فراهم می‌آورد.
GPU-EVM از واحدهای پردازش گرافیکی (GPUs) برای اجرای عملیات به صورت موازی استفاده می‌کند، که در نتیجه، توانایی پردازش تراکنش‌ها را تا حدود ۱۰۰ برابر سریع‌تر از EVMهای با کارایی بالای موجود مانند evmone و revm فراهم می‌آورد. این عملکرد برجسته بخشی به دلیل توانایی GPU ها در انجام چندین عملیات به طور همزمان است.
تیم GatlingX توضیح داده است که GPU ها با هزاران هسته طراحی شده‌اند که قادر به انجام عملیات‌های متعدد به طور همزمان هستند. این ویژگی‌های معماری ذاتی GPU به GPU-EVM اجازه می‌دهد که تعداد زیادی از دستورالعمل‌های EVM را به صورت موازی اجرا کند، که در نتیجه سرعت و کارایی محاسبات را به شدت افزایش می‌دهد. این تکنولوژی، که با امکاناتی مانند Isaac Gym از Nvidia و Brax از Google قابل مقایسه است، امکان شبیه‌سازی‌های موازی روی GPUs را برای آموزش تسریع شده یادگیری تقویتی فراهم می‌کند و کاربردهای گسترده‌ای دارد.
مرحله اولیه راه‌اندازی GPU-EVM بر روی ایجاد زیرساخت‌های EVM مقیاس‌پذیر سخت‌افزاری متمرکز است که امکان آموزش مدل‌های هوش مصنوعی و یادگیری تقویتی را فراهم می‌آورد. این مدل‌ها با عناصر مختلفی مانند راهکارهای تسریع شده لایه ۲، عملیات حداکثر استخراج ارزش MEV، و سناریوهای بازآزمایی تعامل خواهند داشت.
مرحله بعدی، که انتظار می‌رود ظرف یک سال آینده رخ دهد، شامل ارائه دسترسی API برای برنامه‌های کاربردی محاسبات با عملکرد بالا خواهد بود که هدف نهایی آن فراتر رفتن از توانایی‌های انسانی در امن‌سازی قراردادهای هوشمند و برنامه‌های غیرمتمرکز است.
