Gemma + QBNN Hybrid Reasoning System

高度なハイブリッド推論システムで、Gemmaの言語処理能力とQBNNの量子判断層を統合しています。

概要

入力テキスト
    ↓
Gemma: 言語理解 → 質問/感情判定、要求の理解
    ↓
Gemma: 課題発見 → テキストから複数課題を抽出
    ↓
QBNN: 課題判断 → APQB量子状態計算、Yes/No判定
    ↓
Gemma: 言語生成 → 判断に基づいた動的応答生成
    ↓
出力

特徴

• 言語理解: ユーザー入力の意図、感情、要求を理解
• 課題発見: テキストから複数の課題をキーワードベースで抽出
• 量子判断: APQB（Adjustable Pseudo Quantum Bit）を使用した判断処理
• 動的応答: テンプレートなしの完全に動的な応答生成
• 前頭葉判断: Gemma + QBNN as Frontal として意思決定、リスク評価、品質判定、倫理的判断に対応
• スコアベース: 0-100のスコアに基づいた段階的な表現
• マルチコンテキスト: キャリア、学習、感情など、複数のコンテキストに対応

インストール

npm install gemma-qbnn-frontal

使用方法

基本的な使い方

import { GemmaQBNNEngine } from "gemma-qbnn-frontal";

// エンジンを初期化
const engine = new GemmaQBNNEngine();

// 応答を生成
const response = await engine.generate(
  "プログラミングを学ぶコツは何ですか？"
);

console.log(response.response);
// Output: 学習への関心度が高く、強く推奨される状況です。
//        学習曲線を考慮した計画を立てることが成功の鍵になります...

Gemma + QBNN as Frontal 判断エンジン

GemmaQBNNFrontal は Python 版 FrontalEngineJudge と互換の入出力スキーマで、前頭葉のような意思決定・リスク評価・品質判定・倫理的判断を行います。

import { GemmaQBNNFrontal } from "gemma-qbnn-frontal";

const frontal = new GemmaQBNNFrontal({
  entangle_strength: 0.7,
  quantum_weight: 0.6,
});

const result = frontal.judge({
  context: `コードレビュー完了、テスト成功、セキュリティスキャン問題なし、
            ロールバック計画とモニタリングも構成済みです。`,
  judgment_request: "このコードは本番環境にデプロイ可能か？",
  criteria: { security: true, rollback: true },
  options: ["デプロイする", "延期する"],
  strict_mode: true,
});

console.log(result.decision); // "Yes" または "No"
console.log(result.score);    // 0-100
console.log(result.reasoning);

返却値は decision, score, reasoning, confidence, key_factors, timestamp, quantum_info を含み、MCP サーバー版の前頭葉判断 API と同じ形で扱えます。

チャットbot CLI

インストール後、ターミナルから対話型チャットbotを起動できます。

npm install gemma-qbnn-frontal
npx gemma-qbnn-chatbot

# 1回だけ推論して終了
npx gemma-qbnn-chatbot "プログラミングを学ぶコツは？"

# JSON形式で推論結果を確認
npx gemma-qbnn-chatbot --json "転職すべきですか？"

このリポジトリ内で試す場合は、次のコマンドを使えます。

npm run chat

利用できるコマンド:

• /exit: チャットbotを終了
• /reset: 会話履歴をリセット
• --debug: QBNN判定、スコア、検出課題を応答に表示
• --json: ワンショット推論結果をJSONで表示

チャットbot API

import { GemmaQBNNChatbot } from "gemma-qbnn-frontal";

const bot = new GemmaQBNNChatbot({
  maxHistory: 12,
  showDiagnostics: true,
});

const turn = await bot.send("プログラミングを学ぶコツは？");
console.log(turn.assistant);

複数の応答を生成

const responses = await engine.generateBatch(
  "転職すべきですか？",
  3 // 3回の実行
);

responses.forEach((r, i) => {
  console.log(`実行 ${i + 1}:`, r.response);
  console.log(`判定: ${r.qbnn_decision}, スコア: ${r.qbnn_score}`);
});

カスタム設定

const engine = new GemmaQBNNEngine({
  entangle_strength: 0.8, // QBNN結合強度（デフォルト: 0.7）
  seed: 42, // ランダムシード（再現性が必要な場合）
});

API リファレンス

GemmaQBNNEngine

constructor(config?: EngineConfig)

エンジンを初期化します。

パラメータ:

• config.entangle_strength (number, optional): QBNN結合強度 (デフォルト: 0.7)
• config.seed (number, optional): ランダムシード

async generate(userInput: string): Promise<HybridResponse>

ユーザー入力に対して単一の応答を生成します。

返却値:

{
  input: string;                    // ユーザー入力
  response: string;                 // 生成された応答
  issues_discovered: string[];      // 発見された課題
  qbnn_decision: "Yes" | "No";     // QBNN判定
  qbnn_score: number;              // 判定スコア (0-100)
  qbnn_tendency: string;           // 判定傾向 (positive/negative)
  confidence: number;              // 信頼度
  model: string;                   // モデル名
  processing_pipeline: string[];   // 処理パイプライン
  timestamp: string;               // タイムスタンプ
}

async generateBatch(userInput: string, numVariations?: number): Promise<HybridResponse[]>

複数の応答を生成します。

パラメータ:

• userInput: ユーザー入力
• numVariations: 生成する応答数 (デフォルト: 3)

getInfo(): Object

エンジンの情報を取得します。

応答タイプ

キャリア変更関連

キーワード: "転職"

転職の検討は強く推奨される状況のようです。
市場ニーズも高く、スキルセットも合致する可能性が高いでしょう...

問題解決関連

キーワード: "困"、"悩"

「問題解決」について考えるのであれば、
まずは状況を客観的に整理することが重要です...

学習関連

キーワード: "学"

学習への関心度が高く、強く推奨される状況です。
学習曲線を考慮した計画を立てることが成功の鍵になります...

感情サポート関連

キーワード: "気分"

現在の状況は強く推奨される状況ですが、
ポジティブな側面もあります...

スコア表現

| スコア範囲 | 表現 | |----------|------| | 85+ | 強く推奨される状況 | | 70-84 | かなり良い状況 | | 60-69 | 中程度の判断 | | 50-59 | 検討の余地がある | | <50 | 慎重な検討が必要 |

内部構造

GemmaLanguageProcessor

言語理解、課題発見、応答生成を担当します。

QBNNJudgment

APQB量子状態計算に基づいた判断を実行します。

GemmaQBNNEngine

両コンポーネントを統合し、パイプラインを制御します。

実装の詳細

APQB（Adjustable Pseudo Quantum Bit）計算

θ（シータ） → APQB量子状態
  ↓
r = cos(2θ)  相関係数
T = |sin(2θ)| 温度

量子補正 = (r × 0.3 + T × 0.2) × エンタングル強度

パイプライン

1. 言語理解: 質問/陳述、感情、要求の判別
2. 課題発見: キーワードベースの課題抽出
3. 量子判断: APQB計算によるスコアリング
4. 動的生成: スコアと課題に基づいた応答生成

例

例1: プログラミング学習相談

const engine = new GemmaQBNNEngine();

const response = await engine.generate(
  "プログラミングを学ぶコツは何ですか？"
);

console.log("課題:", response.issues_discovered); // ["スキル習得"]
console.log("判定:", response.qbnn_decision);      // "Yes"
console.log("スコア:", response.qbnn_score);        // 87.5
console.log("応答:");
console.log(response.response);

例2: キャリア決定サポート

const response = await engine.generate(
  "転職すべきですか？給与は上がるけど、安定性が不安です。"
);

console.log("課題:", response.issues_discovered); // ["キャリア変更"]
console.log("判定:", response.qbnn_decision);      // "Yes"
console.log("傾向:", response.qbnn_tendency);      // "positive"
console.log(response.response);

例3: 複数応答の比較

const responses = await engine.generateBatch(
  "AIの今後について、どう思いますか？",
  5
);

console.log("QBNN判断の一貫性:");
responses.forEach((r, i) => {
  console.log(
    `実行${i + 1}: スコア=${r.qbnn_score.toFixed(1)}, 判定=${r.qbnn_decision}`
  );
});

ライセンス

MIT

サポート

問題が発生した場合は、GitHubのIssueを作成してください。

関連プロジェクト

• Qubit - メインリポジトリ
• run_gemma_qbnn_frontal_random_responses.py - Python実装版