LMM - Classical QUBO Optimizer

English README is here

D-Wave量子コンピュータ不要の古典的QUBO最適化ライブラリ。

サプライズ（情報量）ベースでデータ選択を最適化する。

構造

lmm/
├── __init__.py
├── core.py              # LMMメインパイプライン
├── cli.py               # CLIエントリーポイント
├── qubo.py              # QUBO行列の構築
├── solvers.py           # 古典的ソルバー (SA, Ising SA, 緩和, 貪欲法)
├── surprise.py          # サプライズ値計算
├── selector.py          # 適応的選択戦略
├── processor.py         # 優先度処理 + キャッシュ
├── pipeline.py          # 賢く選んで賢く処理する
├── _compat.py           # ランタイム互換レイヤー
├── dharma/              # Digital Dharma (仏教哲学最適化)
│   ├── api.py           # DharmaLMM 統合パイプライン
│   ├── energy.py        # エネルギー項 (Dukkha, Prajna, Karuna, …)
│   ├── engine.py        # UniversalDharmaEngine — 自動ルーティング
│   ├── algorithms.py    # スパース化・超モジュラ貪欲法・指数勾配
│   ├── reranker.py      # RAG カスケードリランカー
│   └── …
├── scale/               # 数兆トークン対応
│   ├── sketch.py        # Count-Min Sketch, Streaming Histogram
│   ├── stream.py        # ストリーミングサプライズ
│   ├── cascade.py       # 多段カスケードフィルタ
│   └── pipeline.py      # スケーラブルパイプライン
├── reasoning/           # 8モード FEP 推論
│   └── orchestrator.py  # モード選択 & ディスパッチ
├── llm/                 # LLM ワークフロー
│   ├── fewshot.py       # Few-shot 選択
│   ├── reranker.py      # 出力リランカー
│   ├── drift.py         # 分布ドリフト検出
│   └── embeddings.py    # 統合埋め込みアダプタ
└── integrations/        # フレームワーク統合
    ├── langchain.py
    └── llamaindex.py
tests/
examples/
├── demo_gemini.py       # Gemini統合版デモ

インストール

pip install -e ".[dev]"

# Dharmaモジュールのスパース化を使う場合
pip install hnswlib

使い方

Python API

import numpy as np
from lmm.core import LMM

# サプライズ値から最適なK個を選択
surprises = np.array([1.0, 5.0, 2.0, 8.0, 3.0, 7.0])
model = LMM(k=3, solver_method="sa")
result = model.select_from_surprises(surprises)
print(result.selected_indices)

CLI

# デモ実行
lmm --demo --k 10 --method sa

# ファイルから
lmm --input data.npy --k 5 --method greedy

ソルバー手法

手法	説明
sa	シミュレーテッドアニーリング（デフォルト）
ising_sa	Ising形式SA (SIMD高速化)
relaxation	連続緩和 + 丸め (SLSQP)
greedy	貪欲法

依存

• numpy >= 1.24
• scipy >= 1.10
• hnswlib >= 0.8.0 (optional, dharmaスパース化用)

---

Gemini Deep Research統合

数学的ブレイクスルー

誤: 慈悲項は劣モジュラ (限界効用逓減)
正: 慈悲項は超モジュラ (Supermodular, 相乗効果)

数学的意味:
  選べば選ぶほど調和が加速 = サンガ (僧伽・調和共同体) 形成の数理的本質

新機能

機能	計算量	説明
スパース化 (HNSW)	O(n×k)	コサイン類似度k-NNグラフ
超モジュラ貪欲法	O(n×k)	相乗効果の波及によるWarm Start
指数勾配降下法	O(1)/step	Lyapunov安定性保証、目標CV=0.5
Ising形式SA	O(1)/flip	ベクトル化エネルギー差分計算

パフォーマンス

• 高速化率: 2.6x
• 解の質向上 (より低いエネルギー)

DharmaLMM使用例

from lmm.dharma import DharmaLMM

model = DharmaLMM(
    k=15,
    use_sparse_graph=True,
    use_greedy_warmstart=True,
    use_ising_sa=True,
    use_exponential_balance=True,
)
model.fit(reference_data)
result = model.select_dharma(candidates)

print(result.interpretation.narrative)

数兆トークン対応

from lmm.scale import ScalablePipeline

pipe = ScalablePipeline(k=10, chunk_size=100_000)
pipe.fit_files([Path("shard_001.npy"), ...])
result = pipe.run_files([Path("data_001.npy"), ...])

print(result.summary)

理論的意義

• 慈悲 = 超モジュラ関数 (相乗効果)
• サンガ = 調和共同体の創発
• 中道 = カオスの縁 (CV = 0.5)
• 仏教哲学が実用的最適化として動作することの証明