nCPU

すべての層（算術、OS、コンパイラ、ディスプレイ）が学習されたニューラルネットワークであるか、完全にGPU上で動作する、完全なコンピュータ。
モデルはコンピュータ上で動作するのではありません。モデルがコンピュータそのものなのです。

nCPUは、1つのテーゼを5つの方向から追求する1つのリポジトリです。コンピュータは学習されたコンポーネントから構築でき、実行スタック全体が微分可能になれば、プログラムは「書くもの」ではなくなり、勾配降下法で探索できるものになります。以下の各サブシステムはそれぞれ独自の測定結果に基づいており、これらを合わせてALUの個々の演算からオペレーティングシステム、プログラム合成までをカバーします。

5つのサブシステム

1. ニューラルコンピュータ

すべてのALU演算（加算、減算、乗算、ビット論理演算、シフト、除算）は学習されたニューラルネットワークです。ニューラルOS（neurOS）はメモリを管理し、プロセスをスケジューリングし、手書きの代替手段なしに11個の学習済みモデルを通じてコードをコンパイルします。ニューラルディスプレイは、char→グリフMLPとConvNet（143Kパラメータ）を通じて文字をレンダリングします。ソースコード→ニューラルコンパイラ→ニューラルアセンブラ→ニューラルCPU→ニューラルディスプレイという全パイプラインはエンドツーエンドで微分可能です。

ニューラルALUは、32ビット整数演算において、すべての可能な入力に対して網羅的に検証された100%の精度を達成しています。1つの結果は従来のハードウェア階層を逆転させます。ここでは乗算が加算よりも12倍速く、なぜなら加算には8パスのキャリーチェーンが必要なのに対し、乗算は並列のバイトペアテーブルルックアップに分解されるからです。

neurOSコンポーネント精度:

2. GPUコンピュータ

単一のGPU上で動作する自己完結型コンピュータ — CPUはブートストラップ時のみ関与します。Rust + Metalカーネルは約200個のARM64命令（整数および浮動小数点）を約190万IPSで実行し、ゼロコピー共有メモリと、実行間のゼロサイクルカウント分散（σ = 0.0）を実現します。

そこで動作するもの:

• マルチプロセスUNIX OS: fork/pipe/wait、25コマンドのシェル、28のシステムコール、最大15の同時プロセス
• 自己ホスティングCコンパイラ（約4,200行）— 自身をコンパイルし、他のプログラムをコンパイルして実行、すべてGPU上で
• ELF64ローダーによる実際のLinuxバイナリ: BusyBox（264KB、34以上のコマンド）とAlpine Linux v3.20
• 13以上のコンパイル済みCアプリケーション: SHA-256、AES-128、テトリス、スネーク、Brainfuckインタプリタ、Forth REPL、CHIP-8エミュレータ、HTTPサーバ、MNIST分類器など
• 26コマンドの決定論的デバッガ: 命令トレース、ブレークポイントとウォッチポイント、タイムトラベルデバッグ、メモリサニタイザ、自動ファジング、逆データフロー解析、定数時間検証。決定論的実行によりタイムトラベルと正確なリプレイが可能になります。従来のCPUはキャッシュや投機実行によるタイミングノイズがあるため、同じ保証を提供できません。

3. nSynth: 汎用合成エンジン

nSynthは、入出力例から実行可能プログラムを勾配降下法、列挙、探索を用いて発見するRustベースのプログラム合成システムです。包括的なML/テンソルエンジンと完全なWebスタックと組み合わせることで、以下を合成できます:

• アルゴリズム: 算術、ビット演算、データ構造、アルゴリズム
• MLモデル: CNN、RNN、Transformer、GNN、拡散、フロー、RLエージェント
• Webアプリ: フルスタックReact/Next.js、API、スタイリング、WebGL、WASMアプリケーション

カバレッジ: 420/420の合成問題（Mog: 315/315、nSynth: 105/105）

3つの柱:

1. プログラム合成（コア）: 105/105の問題を、勾配ベース探索、列挙合成、テンプレートマッチング、探索ファミリーにより解決
2. ML/テンソルエンジン（1000以上のAPI）: 自動微分を備えた包括的なテンソル演算により、任意のMLアーキテクチャの合成が可能:
   • アテンション機構（MultiHeadAttention、RoPE、ALiBi、FlashAttention、Linformer、Performer）
   • 生成モデル（拡散DDPM/DDIM、正規化フローRealNVP/MAF、ニューラルODE）
   • ビジョン（3D Conv、Deformable Conv、Fourier Features、NeRFボリュームレンダリング）
   • RL（Policy Gradients、PPO、A3C、Experience Replay、GAE、Value Functions）
   • メタ学習（MAML、Reptile、DARTS、ENAS NAS）
   • 確率的ML（ベイズNN、MC Dropout、変分推論、KLダイバージェンス）
   • 効率化（プルーニング、量子化、知識蒸留、分散訓練）
3. Webスタック（500以上のAPI）: 完全なカバレッジを持つフルスタックWeb合成:
   • コア: HTTP、WebSocket、SSL、JSON、Cookie、フォーム、ミドルウェア
   • フレームワーク: React、Vue、Svelte、Solid、Next.js、Remix
   • モダン: WASM、WebGPU、WebAuthn、WebRTC、PWA
   • API: GraphQL、gRPC、tRPC、OpenAPI
   • スタイリング: CSS、Tailwind、レスポンシブ、ダークモード
   • バンドル: Vite、webpack、esbuild

cd nsynth
cargo run --release --bin nsynth_codegen --lang python --examples '{
  "name":"reverse","signature":"fn reverse(arr: List<i64>) -> List<i64>",
  "examples":[{"inputs":[[1,2,3]],"expected":[3,2,1]}]
}'
# → def reverse(arr): return arr[::-1]

4. 微分可能コプロセッサ

ニューラルALUをトランスフォーマーのフォワードパスにルーテッドエキスパートとして注入します。学習されたトークンごとのゲートが、各トークンを元のMLPとニューラルALUのどちらに通すかを決定します。双線形ソフト真理値表で微分可能な論理を、テンソル演算で微分可能な算術を提供し、ゲーティングはモデルの信頼度によって調整されます。

Qwen 2.5/3/3.5ファミリーの11モデルにわたるスイープの結果（算術タスク）:

実際の転移は外挿ではなく測定されています。完全なHumanEval（Qwen3.5-4B、A100）では、62.2% → 64.6% — さらに4つの問題を解決。

5. JEPA予測機械力学

コンピュータ自体の予測的世界モデル。正確な実行と並行して、JEPAスタイルのネットワーク（Joint Embedding Predictive Architecture）が圧縮された潜在空間内で機械の状態遷移を学習します。

latent_state_t + 命令 → 予測器 → latent_state_{t+1}

2つのレベルで動作します。Pythonデモ（ncpu/jepa_neural_cpu/）は予測器の横で実際のプログラムを実行し、予測誤差をリアルタイムの異常信号に変換します。Rust Metal実装（kernels/rust_metal/src/jepa/、2,858行）は決定論的GPU実行を観測し、学習されたバイアスオーバーライドを通じてスケジューリングを能動的に調整します。

基盤となる基板が正確であるため、この世界モデルにはほとんどのモデルが欠いている2つの特性があります。無制限の自由なグラウンドトゥルース（より多くのプログラムを実行できる）と、予測実行と正確な実行を自由に混ぜられることです。探索時には安価な潜在スペキュレーション、重要なときには正確な実行。長期的な方向性は、ビット、命令、プログラム、タスクレベルでの予測器の階層です。

python3 -m ncpu.jepa_neural_cpu.demo     # ボトムアップJEPAニューラルコンピュータデモ
python -m ncpu.world_model.quickstart    # JEPA機械世界モデルクイックスタート

60秒で開始

pip install -e ".[demo,dev]"

# 見出しデモ：GPUを完全なコンピュータとして（macOS / Apple Silicon）
python -m ncpu gpu                 # 起動
python -m ncpu gpu --neural-alu    # Metalシェーダー内にニューラルALUを組み込む
python -m ncpu gpu debug           # 26コマンドの決定論的デバッガ

# クロスプラットフォーム、重い依存関係不要
python -m ncpu discover            # 例からプログラムを発見（微分可能合成）
python -m ncpu text --interactive  # ニューラルテキスト/暗号マシン

# 完全なニューラルパイプライン（モデルスタックが必要）
python -m ncpu full-neural         # ボトムアップニューラルCPU + ニューラルディスプレイ
python -m ncpu meta-compare        # サイドバイサイド比較デモ

# JEPA予測レイヤー
python3 -m ncpu.jepa_neural_cpu.demo
python -m ncpu.world_model.quickstart

# Rustネイティブ、Python不要
cd kernels/rust_metal
cargo run --bin ncpu_run -- --elf ../../demos/gpu/busybox.elf --rootfs -- echo hello

3つの実行モード

3つすべて同じプログラムを実行し、同じ結果を生成します。ニューラルモードはすべての演算を学習済みネットワークに通します。高速モードは同じISAと同じ微分可能性を持つネイティブテンソルを使用します。計算モードは勾配流を速度と引き換えにします。ここでUNIX OSが起動し、コンパイラが自己ホストし、BusyBoxが動作します。

# ニューラルモード — すべての演算が学習済みモデル
from ncpu.model import CPU
cpu = CPU(neural_execution=True)
cpu.load_program("MOV R0, 7\nMOV R1, 6\nMUL R2, R0, R1\nHALT")
cpu.run()
print(cpu.get_register("R2"))  # 42 — ニューラルバイトペアLUTにより計算

# 微分可能コプロセッサ — 任意のHugging Faceモデルに注入
from ncpu.coprocessor import inject_ncpu_coprocessor, NCPUCoprocessorConfig
config = NCPUCoprocessorConfig(confidence_aware=True, deterministic_alu=True)
inject_ncpu_coprocessor(model, config)

# 微分可能プログラム合成
from ncpu.differentiable import ProgramSynthesizer, SynthesisSpec
spec = SynthesisSpec(examples=[
    ({0: 3.0, 1: 5.0}, {2: 8.0}),
    ({0: 7.0, 1: 2.0}, {2: 9.0}),
])
synth = ProgramSynthesizer(max_program_len=6)
result = synth.synthesize(spec, max_iters=2000)
# 発見: ADD R2, R0, R1; HALT

# JEPA世界モデル — マシン状態遷移を予測
from ncpu.world_model.je_world_model import JEWorldModel, JEWMConfig
model = JEWorldModel(JEWMConfig(state_dim=22, action_dim=8))
pred = model.predict_next_latent(model.encode_state(state), model.encode_action(action))

フルスタック

タイミングサイドチャネル耐性

ここでのGPU実行はゼロサイクルカウント分散を生み出します — 270回の実行でσ = 0.0、一方同じコードをネイティブApple Siliconで実行すると47–73%のタイミング分散が示されます。データキャッシュがないため、キャッシュラインやキャッシュミスペナルティがなく、AES Tテーブル攻撃の測定対象がありません。

この特性に基づき、ncpu/crypto/は19の定数時間プリミティブから定数時間AES-128（ECBおよびCBC）を提供し、すべてのFIPS 197およびNIST SP 800-38Aテストベクターをパスします。

自己最適化機械エンジン（SOME）

ニューラルマシンの一部をコード生成用の内部コプロセッサに変える隠されたコントローラ: バッファリングされた思考→書き込み→検証→パッチ→コミットループ、学習されたアクション/停止/記述子/状態パッチ/メモリヘッド、および推論中に更新されるタスクローカル高速重み。学習されたメモリヘッドは、ベースラインと比較して検証MSEを83.26%改善しました。

エンドツーエンドで測定: qwen3.5:4bのHumanEval+は147→154に改善、qwen3.5:9bは144→156に改善；qwen3.5:9bのBigCodeBench-Hardは33→49に改善。

MUXLEQ: 2命令でチューリング完全

SUBLEQにMUXを加えたもの。3つの実行モードすべてで動作します。ニューラルモードでは、SUBはKogge-Stoneキャリー先読み（約248 µs）を、MUXはニューラルAND/OR/NOT（約63 µs）を通ります。.decイメージをロードし、eForthを起動します。要点: もし学習済みネットワークが2命令のワンインストラクションセットコンピュータを正確に実行できれば、その構築は任意の命令セットに拡張可能です。

例からのプログラム合成（nsynth_codegen）

cargo build --release --bin nsynth_codegen
./target/release/nsynth_codegen --lang python --examples '{
  "name":"square","signature":"fn square(x: i64) -> i64",
  "examples":[{"inputs":[0],"expected":0},{"inputs":[3],"expected":9}]
}'
# → def square(x: int): return (0 * x * x) + (1 * x * x) + 0

プロジェクト構造

ncpu/
  differentiable/    # 微分可能実行、プログラム合成、ISA発見
  coprocessor/       # nCPUをトランスフォーマーフォワードパスに注入
  execution_training/# コードLMのための訓練信号としての微分可能実行
  crypto/            # 定数時間暗号（AES-128）
  distributed/       # マルチGPU分散実行
  jepa_neural_cpu/   # ボトムアップJEPAニューラルコンピュータデモ
  world_model/       # JEPA機械世界モデル（予測力学）
  autoresearch/      # 自動研究 + 複合NPCoTループ
  os/
    neuros/          # ニューラルOS: 17モジュール（MMU、TLB、キャッシュ、スケジューラ...）
    gpu/             # GPU UNIX OS: シェル、ファイルシステム、ELFローダー、Cソース
  self_optimizing/   # SOME: 隠されたコントローラ、高速重み
  neural/            # NeuralCPU: ニューラルALUブリッジ、ウィーブパイプライン
  model/             # モデルベースCPU（neural_ops、アセンブラ）
  tensor/            # テンソルベースARM64エミュレータ（微分可能）

# コンパイル済み/高速化バックエンド
kernels/             # rust_metal（Rust+Metal ARM64カーネル）、mlx、npcot_wasm
nsynth/              # 汎用合成エンジン: 勾配 + 列挙 + 探索 + ML + Web
                     # 420/420の合成カバレッジ、1000以上のML API、500以上のWeb API
                     # コア: プログラム合成（105/105）、ML/テンソル（18+モジュール）、Web（19+モジュール）
                     # 汎用ML: アテンション、拡散、フロー、ODE、NeRF、RL、メタ学習
                     # 完全なWeb: WASM、WebGPU、フレームワーク、API、スタイリング、バンドル
packages/            # コンパニオンパッケージ（metal_mlp）

# モデルと合成コーパス
models/              # 学習済みニューラルコンポーネントの重み（models/MODEL_INDEX.md参照）
programs/            # 合成ベンチマークコーパス（算術、ビット演算、アルゴリズム...）

# 証拠、論文、実験
artifacts/           # 論文で引用されたコミット済みベンチマーク結果 + テスト
paper/               # 研究論文 + モジュールごとのセクション
benchmarks/          # ベンチマークドライバスクリプト
experiments/         # 探索的実験実行

# 使用法と運用
examples/            # 最小限の実行可能デモ（実行パスごとに1つ）
demos/               # より大規模なショーケースウォークスルー（BusyBox、Alpine、コンパイラ）
scripts/             # エントリポイント + メンテナ自動化
tools/               # 開発者ツール
training/            # 訓練パイプライン
packaging/           # デプロイメント足場（Homebrew、Modal、DEPLOYMENT.md）

# テスト、ドキュメント、アセット
tests/               # テストスイート（tests/README.md参照）
docs/                # ドキュメント
assets/              # ロゴ / 静的アセット

# ビルドおよびランタイム出力（gitignored — 再生成可能、コミットされない）
checkpoints/         # 大きな.pt重みチェックポイント
training_results/    # コプロセッサスケーリングスイープ、アブレーション研究
dist/                # ビルド配布物
logs/  outputs/      # 実行ログとスクラッチ出力

すべてのトップレベルディレクトリには、その目的を説明する独自のREADME.mdがあります。

テスト

python -m ncpu doctor
pytest tests/ -q   # スタック全体で2,500以上のテスト

カバレッジは、ALUの網羅的形式検証、ニューラル演算、neurOS、計算モード、マルチプロセス実行、MUXLEQ、BusyBox/Alpine、GPUデバッグツールキット、コプロセッサ、Mog合成、微分可能実行、定数時間暗号、自己修正プログラム、diffコンパイラ、マルチGPU分散、SOME、およびJEPA予測モデルにわたります。

ドキュメント

• 研究論文 — 完全な分析と発見
• GPUデバッグツールキット論文 — 26コマンドのGPUネイティブデバッガ
• GPUデバッグツールキットリファレンス — コマンドリファレンス
• Rust Metalカーネル — アーキテクチャ、ゼロコピーデザイン、ビルド手順
• コンパイルパイプライン — エンドツーエンドのCからGPUへのフロー
• JEPAニューラルCPU — ボトムアップニューラルコンピュータアーキテクチャ
• JEPA機械世界モデル — 予測力学デザイン
• モデルインデックス — 完全な学習済みモデルインベントリ
• SOME完全ガイド — 隠されたコントローラと訓練パイプライン
• 微分可能プログラム — プログラム最適化、合成、ISA発見
• ベンチマーク結果 — すべてのモードとモデル階層のpass@1数値

ライセンス

MIT