robertcprice/nCPU

解决的问题

将计算机重新构想为一个可微分的实体，用训练好的神经网络或GPU加速内核替代传统的硬件逻辑和操作系统组件。这使得程序可以通过梯度下降而非手动编写来发现，并能够创建对时序侧信道攻击免疫的计算机基础架构。

工作原理

该项目在三种模式下实现了完整的执行栈：

• 神经模式：从ALU操作（加法、乘法）到操作系统（内存管理、调度）以及显示，所有层级均为训练好的神经网络。这使得从源代码到像素的整个流水线都具备可微分性。
• 计算模式：使用Rust和Metal着色器实现的高性能版本，在GPU上执行ARM64指令，能够启动UNIX操作系统，运行自托管C编译器，并加载真实的Linux二进制文件，如BusyBox和Alpine Linux。
• 快速模式：使用原生张量操作，在保持可微分性的同时提升速度。

此外，还包含 nSynth（从输入/输出示例中进行程序合成）、可微分协处理器（可注入LLM以提升算术精度），以及 JEPA风格的世界模型（在潜在空间中预测机器状态转移）。

适用人群

• 探索可微分计算和程序合成的AI研究人员。
• 关注恒定时间执行和侧信道免疫的安全研究人员。
• 对神经网络与底层系统架构交集感兴趣的开发者。

主要亮点

• 神经ALU：在32位整数运算中实现100%准确率。
• GPU原生OS：在GPU上完全运行多进程UNIX操作系统和自托管C编译器。
• 可微分合成：通过梯度下降从示例中发现可执行程序。
• LLM增强：通过神经ALU协处理器提升Qwen模型的算术精度（例如，Qwen3.5-2B提升+56.5个百分点）。
• 时序免疫：零周期计数方差（σ = 0.0），对加密中的缓存时序攻击具有抗性。