robertcprice/nCPU

解決的問題

將電腦重新構想為一個可微分的實體，以訓練好的神經網路或GPU加速內核取代傳統的硬體邏輯與作業系統元件。這使得程式能透過梯度下降而非手動撰寫來發現，並能建立對時序側信道攻擊免疫的電腦基礎架構。

工作原理

本專案在三種模式下實現完整的執行堆疊：

• 神經模式：從ALU運算（加法、乘法）到作業系統（記憶體管理、排程）以及顯示，所有層級皆為訓練好的神經網路。這使得從原始碼到像素的整個流程皆具可微分性。
• 計算模式：使用Rust與Metal著色器實現的高效能版本，在GPU上執行ARM64指令，可啟動UNIX作業系統、執行自宿主C編譯器，並載入真實的Linux二進位檔，如BusyBox與Alpine Linux。
• 快速模式：使用原生張量運算，在維持可微分性的同時提升速度。

此外，還包含 nSynth（從輸入/輸出範例中進行程式合成）、可微分協處理器（可注入LLM以提升算術準確度），以及 JEPA風格的世界模型（在潛在空間中預測機器狀態轉移）。

適用對象

• 探索可微分計算與程式合成的AI研究人員。
• 關注定時執行與側信道免疫的安全研究人員。
• 對神經網路與底層系統架構交集感興趣的開發者。

主要亮點

• 神經ALU：在32位整數運算中達成100%準確率。
• GPU原生作業系統：在GPU上完全執行多行程UNIX作業系統與自宿主C編譯器。
• 可微分合成：透過梯度下降從範例中發現可執行程式。
• LLM增強：透過神經ALU協處理器提升Qwen模型的算術準確度（例如，Qwen3.5-2B提升+56.5個百分點）。
• 時序免疫：零週期計數變異（σ = 0.0），對加密中的快取時序攻擊具備抗性。