Исследовательская среда выполнения для дифференцируемых нейронных компьютеров, эмуляции CPU на GPU и синтеза программ. Включает нейронный ALU, криптографию с постоянным временем, мировые модели JEPA и самодостаточный компилятор C на Metal.
Полноценный компьютер, в котором каждый слой — арифметика, ОС, компилятор, дисплей — представляет собой либо обученную нейронную сеть, либо полностью работает на GPU.
Модель не работает на компьютере. Модель является компьютером.
nCPU — это один репозиторий, реализующий одну тезисную идею с пяти направлений: компьютер может быть построен из обученных компонентов, и как только весь стек выполнения становится дифференцируемым, программы перестают быть тем, что вы пишете, и становятся тем, что можно искать с помощью градиентного спуска. Каждая подсистема ниже опирается на собственные измерения; вместе они охватывают весь стек от отдельных операций АЛУ до операционной системы и синтеза программ.
Каждая операция АЛУ — сложение, вычитание, умножение, битовые операции, сдвиги, деление — реализована обученной нейронной сетью. Нейронная ОС (neurOS) управляет памятью, планирует процессы и компилирует код с помощью 11 обученных моделей без резервных реализаций, написанных вручную. Нейронный дисплей отображает символы через MLP-преобразования «символ → глиф» и свёрточную сеть (143K параметров). Полный конвейер — исходный код → нейронный компилятор → нейронный ассемблер → нейронный ЦПУ → нейронный дисплей — дифференцируем от начала до конца.
Нейронное АЛУ достигает 100% точности на 32-битных целочисленных арифметических операциях, что подтверждено исчерпывающей проверкой для всех возможных входных данных. Один из результатов переворачивает традиционную иерархию аппаратного обеспечения: умножение здесь в 12 раз быстрее сложения, потому что сложение требует 8-проходной цепочки переноса, а умножение разбивается на параллельные табличные поиски по парам байтов.
| Инструкция | Стратегия | Задержка |
|---|---|---|
| ADD/SUB/CMP | Ускорение переноса Kogge-Stone (8 проходов) | 248 мкс |
| MUL | Таблица поиска по парам байтов (65 536 записей) | 21 мкс |
| AND/OR/XOR | Векторизованная таблица истинности | 21 мкс |
| SHL/SHR | Маршрутизация битов на основе внимания | 434 мкс |
| DIV | Восстанавливающее деление (нейронное вычитание) | варьируется |
Точность компонентов neurOS:
| Компонент | Точность | Компонент | Точность |
|---|---|---|---|
| MMU | 100% | Ассемблер (генерация кода) | 100% |
| TLB | 99.6% | Ассемблер (токенизатор) | 99.4% |
| Кэш | 99.7% | Оптимизатор компилятора | 95.2% |
| Планировщик | 99.2% | Сторожевой таймер | 100% |
| Предвыборка | 97.8% | Распределитель блоков | 98.4% |
Самодостаточный компьютер на одном GPU — ЦПУ задействован только на этапе загрузки. Ядро на Rust + Metal выполняет около 200 инструкций ARM64 (целочисленные и с плавающей точкой) со скоростью примерно 1.9 млн инструкций в секунду, с нулевым копированием в разделяемой памяти и нулевой вариацией количества циклов между запусками (σ = 0.0).
Что на нём работает:
nSynth — это система синтеза программ на Rust, которая находит исполняемые программы по примерам входных/выходных данных с использованием градиентного спуска, перебора и поиска. В сочетании с комплексным движком машинного обучения/тензоров и полным веб-стеком, она позволяет синтезировать:
Покрытие: 420/420 задач синтеза (Mog: 315/315, nSynth: 105/105)
Три столпа:
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]
Нейронное АЛУ, внедрённое в прямой проход трансформера в качестве маршрутизированного эксперта. Обученный пере-токенный вентиль решает, проходит ли каждый токен через исходный MLP или через нейронное АЛУ. Билинейные мягкие таблицы истинности обеспечивают дифференцируемую логику, тензорные операции — дифференцируемую арифметику, а вентилирование модулируется уверенностью модели.
Результаты прогона 11 моделей из семейств Qwen 2.5/3/3.5 по арифметическим задачам:
| Модель | Точность арифметики | Примечание |
|---|---|---|
| Qwen3.5-2B (instruct) | 14.5% → 71.0% (+56.5 п.п.) | Лучший общий результат |
| Qwen3.5-2B (base) | 15.5% → 63.0% (+47.5 п.п.) | 100% на ADD/SUB/MUL/DIV |
| Qwen3.5-4B | +51.0 п.п. | Наибольший прирост среди базовых моделей (связанные) |
| Qwen3.5-9B | +51.0 п.п. | Наибольший прирост среди базовых моделей (связанные) |