robertcprice/nCPU

何を解決するか

コンピュータを微分可能なエンティティとして再考し、従来のハードウェア論理回路やオペレーティングシステムコンポーネントを学習済みのニューラルネットワークまたはGPUアクセラレートされたカーネルに置き換えます。これにより、プログラムは手動で書かれるのではなく勾配降下法によって発見可能となり、タイミング側信道攻撃に対して耐性を持つコンピュータ基盤の構築が可能になります。

動作方法

このプロジェクトは3つのモードで完全な実行スタックを実装しています：

• ニューラルモード：ALU演算（加算、乗算）からOS（メモリ管理、スケジューリング）、ディスプレイまで、すべてのレイヤーが学習済みのニューラルネットワークです。これにより、ソースコードからピクセルまでのパイプライン全体が微分可能になります。
• コンピュートモード：RustとMetalシェーダーを使用した高性能実装で、GPU上でARM64命令を実行し、UNIX OSの起動、自己ホスティングCコンパイラの実行、BusyBoxやAlpine Linuxなどの実際のLinuxバイナリのロードが可能になります。
• 高速モード：ネイティブテンソル演算を使用して微分可能性を維持しつつ、速度を向上させます。

さらに、nSynth（I/O例からプログラム合成を行う）、微分可能なコプロセッサ（LLMに組み込み、算術精度を向上させる）、およびJEPAスタイルのワールドモデル（潜在空間でマシン状態遷移を予測する）も含まれます。

対象ユーザー

• 微分可能なコンピューティングやプログラム合成を探索するAI研究者。
• 定常時間実行や側信道耐性に興味を持つセキュリティ研究者。
• ニューラルネットワークと低レベルシステムアーキテクチャの交差点に興味を持つ開発者。

主な特徴

• ニューラルALU：32ビット整数演算で100%の精度を達成。
• GPUネイティブOS：GPU上でマルチプロセスUNIX OSと自己ホスティングCコンパイラを完全に実行。
• 微分可能な合成：勾配降下法を用いて例から実行可能なプログラムを発見。
• LLM強化：ニューラルALUコプロセッサにより、Qwenモデルの算術精度が向上（例：Qwen3.5-2Bで+56.5pp）。
• タイミング耐性：サイクルカウントのばらつきゼロ（σ = 0.0）、暗号におけるキャッシュタイミング攻撃に対して耐性あり。