You need to agree to share your contact information to access this model

This repository is publicly accessible, but you have to accept the conditions to access its files and content.

Qubit AI

量子ビットに着想を得た、次世代のAI

Qubit AIは、量子ビットの考え方とニューラルネットワークを組み合わせた量子インスパイアAIです。

統計的な相関、量子状態の重ね合わせ、AIの確率的な振る舞いを、ひとつの計算モデルとして扱うことを目指しています。Qubit AIの中核には、調整可能擬似量子ビット（APQB: Adjustable Pseudo Quantum Bit）と、それをニューラルネットワークへ応用したQBNNがあります。

Qubit AIは、量子コンピュータ上で動作するAIではありません。
古典コンピュータ上で、量子ビットや量子もつれから着想を得た計算構造を実装するAIです。

Qubit AIのビジョン

現在のAIは、正確な回答と創造的な回答のバランスを、主にtemperatureなどの外部パラメータで調整します。

Qubit AIは、この「確定性」と「ゆらぎ」の関係を、モデル内部の状態として捉えます。

高い確信度：安定した、再現性の高い判断
高いゆらぎ：多様で、創造的な探索
状況に応じた調整：正確さと柔軟性の両立

Qubit AIが目指すのは、単にランダムな出力を生成することではありません。文脈に応じて、慎重にも大胆にも振る舞えるAIです。

APQB：Qubit AIの基本単位

APQBは、内部角度 θ によって状態を連続的に調整する計算モデルです。

|ψ⟩ = cosθ|0⟩ + sinθ|1⟩

APQBでは、統計的な相関 r とAIのゆらぎ T を次のように表します。

r = cos(2θ)
T = |sin(2θ)|
r² + T² = 1

この関係は、確信度とゆらぎが独立ではなく、ひとつの状態空間の中で連続的に変化することを表します。

概念	Qubit AIでの意味
θ	AI内部状態を調整するパラメータ
r	相関・確信度の指標
T	ゆらぎ・探索性の指標
0状態・1状態	二つの基本状態
重ね合わせ	複数の可能性を保持する状態

QBNN：APQBを利用したニューラルネットワーク

QBNN（APQB Neural Network）は、通常のニューラルネットワークに、量子もつれに着想を得た層間相互作用を加えたアーキテクチャです。

入力
  ↓
線形変換
  ↓
APQB状態の推定
  ↓
層間の相関・もつれ相互作用
  ↓
活性化
  ↓
次の層

一般的なニューラルネットワークが重み行列による線形結合を中心に構成されるのに対し、QBNNでは次の二つの結合を組み合わせます。

古典的な線形結合：重み行列によって情報を伝達します。
量子インスパイア相関結合：層と層の状態の関係を、学習可能な相互作用として表現します。

もつれ相互作用をゼロにすると通常のニューラルネットワークに近づくため、QBNNは古典的なニューラルネットワークを含む拡張モデルとして設計されています。

Qubit AIが目指す能力

1. 確信度と創造性の調整

質問への回答では確定性を高め、アイデア生成では探索性を高めるなど、タスクに応じた振る舞いを目指します。

2. 相関を利用した文脈理解

単語や特徴を個別に処理するだけでなく、層間・特徴間の相関を利用して、文脈的な情報処理を行います。

3. 日本語を中心とした生成

日本語の文章理解・生成を重視し、将来的には英語やコードを含む多言語処理にも対応します。

4. ローカル・クラウド両対応

PyTorchによる学習・推論に加え、将来的には量子化モデルやGGUF形式を通じたローカル実行を目指します。

5. AIエージェントへの応用

Qubit AIを判断・計画・探索の中核として利用し、ツール実行や役割分担を行うAIエージェントへの発展を目指します。

現在のモデル

現在は、QBNNを基盤とする独自モデルを開発しています。

項目	内容
モデル名	Qubit AI / NeuroQ
アーキテクチャ	NeuroQuantum Transformer
設計規模	約3Bパラメータ
語彙数	32,000
埋め込み次元	2,560
隠れ次元	6,912
層数	26
ヘッド数	20
主な学習対象	日本語、一般知識、指示、会話、数学、コード

※ 3Bはモデル設計上の目標規模です。実際の性能は、学習データ、学習量、最適化、評価方法によって変化します。

数学的な考え方

Qubit AIでは、ニューラルネットワークにおける特徴間の相互作用と、APQBにおける多体相関を同じ構造として捉えます。

ニューラルネットワーク：
f(x) = w₀ + Σᵢwᵢxᵢ + Σᵢⱼwᵢⱼxᵢxⱼ + …

APQB：
F(θ) = A₁z + A₂z² + A₃z³ + …
z = e^(i2θ)

この対応を利用し、ニューラルネットワークの特徴表現に、相関・重ね合わせ・ゆらぎという量子インスパイアの視点を導入します。

使い方

Python

git clone https://github.com/tapiocaTakeshi/Qubit.git
cd Qubit
pip install -r requirements.txt

RunPodでのサーバーレス利用では、ハンドラーへ次のような入力を送信します。

{
  "input": {
    "action": "inference",
    "prompt": "Qubit AIとは何ですか？"
  }
}

学習機能では、Qubit独自のモデルを日本語データセット、指示データ、会話データ、数学・コードデータへ段階的に適応させる構成を採用しています。

TypeScript / JavaScript

npm install qubit_ai

import { QubitAI } from "qubit_ai";

const qubit = new QubitAI({
  productName: "Qubit AI",
  enableLogging: true
});

const result = await qubit.judge(
  "ユーザーデータを外部へ送信する",
  "本番環境"
);

console.log(result.decision);
console.log(result.reasoning);

研究上の位置付け

Qubit AIは、量子コンピュータを使用した実装ではなく、量子力学の概念を計算モデルへ応用する量子インスパイア研究です。

APQBおよびQBNNの理論は、次のテーマを扱います。

相関と確率的挙動の統一
量子状態とAIのtemperatureの対応
多体相関とニューラルネットワークの構造
量子もつれに着想を得た層間相互作用
確信度と創造性のトレードオフ
AIエージェントの計画・判断への応用

理論の詳細は、リポジトリ内の実装・ドキュメントおよびAPQB/QBNNに関する研究資料を参照してください。

数値テストによる検証

小型設定（1層・埋め込み8次元・語彙16・AdamW）でのQBNN実装の数値テスト結果です。

(A)(B) 学習挙動：K=1（密なJ）、K=2（rank=2）、K=3（密なJ）の3設定で、5 seedの平均±標準偏差を計測。学習損失は単調に減少し、学習トークン精度は約90%まで到達（同じ合成データを16回更新し、学習データ上で再評価）。
(C) 数式との一致：実装したQBNN層の出力を、独立に導出した総和式と照合。最大絶対誤差は1.11e-16（float64の丸め誤差の範囲内）で、実装が数式どおりに動作することを確認。
(D) 通常層への回帰：相互作用強度λまたは結合Jをゼロにすると、QBNN層の出力は通常の（量子インスパイアでない）層と完全に一致（差分=0）することを実測で確認。

※ これは小型モデルでの実装の動作検証です。未学習データへの汎化性能、日本語能力、約3Bモデルでの性能、他モデルとの比較優位性については、これらのテストでは評価していません。

ロードマップ

APQBの基本モデルを定式化
QBNNのプロトタイプを実装
RunPodでの学習基盤を構築
約3Bモデルの学習を安定化
日本語データセットによる段階学習
数学・コード能力の強化
評価ベンチマークの整備
GGUF量子化とローカル推論
Qubit Agentへの統合
Qubit AI Web / Orchestraとの連携

注意事項

Qubit AIは研究・開発中のプロジェクトです。

「量子ビット」は量子インスパイアな計算概念として使用しています
量子コンピュータ上での量子優位性を主張するものではありません
APQB/QBNNの有効性は、今後の実験とベンチマークによって検証します
学習済みモデルの品質は、学習データと学習条件に依存します

License

MIT License

TypeSafe AI Jevによる判断レイヤー

Qubit AIは、TypeSafe AIのJevをチャット生成モデルとしてではなく、回答評価・再試行判断・エージェント分岐を行う型付き判断レイヤーとして利用できます。

サーバー設定

RunPodワーカーの環境変数に次を設定します。

TYPESAFE_JEV_URL=https://<your-typesafe-endpoint>
TYPESAFE_API_KEY=<your-typesafe-api-key>
TYPESAFE_JEV_MODEL=jev
TYPESAFE_JEV_TIMEOUT=20

APIキーはクライアントへ渡さず、RunPodワーカー側だけに設定してください。

RunPodリクエスト

{
  "input": {
    "action": "jev_judge",
    "prompt": "ユーザーの質問に対するQubit AIの回答です。",
    "parameters": {
      "labels": ["answer", "needs_retry", "needs_tool"],
      "instruction": "この回答が質問に適切か判断してください。"
    }
  }
}

返却値はJevの判断結果を decision に格納します。Qubit AIの生成処理と分離しているため、Jevが未設定でも通常の推論は動作します。TypeSafe AIの実際のAPI URLとレスポンス形式に合わせて、TYPESAFE_JEV_URLを設定してください。

Downloads last month: 11

GGUF

Model size

0.1B params

Architecture

gemma

Hardware compatibility

4-bit

32-bit

View +8 variants

tapiocaTakeshi
/

Qubit