技術的概要：ハルシネーションなしの要件再利用のためのニューロ記号的エージェント

1. 問題定義

要件工学（RE）は本質的にコストが高く、エラーを伴う。ソフトウェア製品ラインから検証済みの要件を再利用する（例えば、要件作成および管理のためのオブジェクト指向手法、すなわちOOMRAMを介して）ことは、労力を削減する戦略を提供するが、既存のフレームワークは正確な識別子マッチングという決定的なボトルネックに直面している。従来の OOMRAM 検索では、ユーザーが正確な要件 ID を指定する必要があり、自然言語のプロジェクト記述からの仕様自動生成を妨げている。

大規模言語モデル（LLM）は、曖昧なステークホルダーのビジョンを解釈し、それを要件にマッピングするための言語的柔軟性を提供する。しかし、LLM は存在しない識別子を捏造したり、必須の制約を無視したり、互いに排他的なオプションを組み合わせたりするなどのハルシネーションを起こしやすい。LLM を活用する現在の RE ツールは、形式的な正しさの保証を欠くことが多く、生成された仕様を論理的な不整合や構造的無効化に脆弱なまま放置しており、これは安全上重要な分野や厳格に規制された分野において特に危険である。

2. 手法：ニューロ記号的マルチエージェントシステム

著者は、要件再利用をモデル駆動型引き出しプロセスとして再概念化するニューロ記号的マルチエージェントアーキテクチャを提案する。このシステムは、形式的 OOMRAM 格子を決定論的ドメインモデルとして実装し、LLM をこのモデルを探索するための非決定論的ヒューリスティックとしてのみ使用する。

コアアーキテクチャ

LangGraphに基づき構築されたこのシステムは、型付き状態（AgentState）を共有する 4 つの専門エージェントを採用している：

1. ナビゲーター: ビジョンと現在の状態に基づき、次の拡張対象となる判別ノードを選択しながら、要件格子の深さ優先探索をシミュレートする。
2. インタプリタ（LLM）: 自然言語のビジョンを解釈し、現在のノードに対する子要件 ID のセットを提案する非決定論的エージェント（llama3.1:8b を温度 0 で使用）。構造化された JSON を出力する。
3. バリデーター（記号的）: 実行時ガードレールとして機能する決定論的アルゴリズムコンポーネント（純粋な Python、LLM 不使用）。格子スキーマのブーリアン充足可能性制約（$\Phi$）に対して、提案されたすべての選択を検証する。以下を強制する：
   • コア要件: すべての必須ノードが選択されなければならない。
   • 単一アダプター（SA/XOR）: ちょうど 1 つの子ノードが選択されなければならない。
   • 複数アダプター（MA/OR）: 少なくとも 1 つの子ノードが選択されなければならない。
   • 構造的完全性: 孤立ノードは存在してはならない（親が選択されずに子が選択されることはできない）。
   • メカニズム: 違反が検出された場合、バリデーターは提案を拒否し、エラーログをインタプリタに返して修正を強制する。このループは制約が満たされるまで継続する。
4. スクライブ: 最終的に検証された要件 ID のセットをフォーマットされた仕様にコンパイルする。

主要な技術戦略

• サブグラフナビゲーション: 大規模な産業用格子への対応と「中間で迷子になる」推論失敗の防止のため、システムは各ステップでインタプリタのコンテキストを格子の局所的な部分集合（フロンティア）に制限する。これにより、決定点の数に対して一定のコンテキストサイズ（$O(1)$）と線形スケーリング（$O(N)$）が保証される。
• セマンティックルーティング: 事前のルーターが、入力ビジョンテキストに基づいて適切な格子ファミリー（例：eRecordKeeping、SmartHome）を選択するために、センテンストランスフォーマー埋め込みを使用し、手動選択なしでマルチドメイン対応を可能にする。
• 形式的仕様: システムは格子を有向非巡回グラフ（DAG）$L = (V, E, T, \Phi)$ として定義し、最終選択セットがメタモデルの有効なインスタンスであることを保証するグローバル一貫性述語 $\Psi(S)$ を強制する。

3. 主要な貢献

1. LLM 時代における OOMRAM の実用化: 正確な ID 選択を LM 駆動の自然言語探索に置き換えた最初の研究であり、形式的 OOMRAM 格子を現代の RE において実用的なものとした。
2. 決定論的ハルシネーション緩和: 硬コードされたゲートキーパーとして機能する完全な決定論的バリデーターの導入。生成ループ内でアルゴリズム的に制約を強制することで、ヒューリスティックなフィルタリングに依存するのではなく、違法な要件の組み合わせを完全に排除する。
3. 再現可能な自律ベンチマーク: 多様なアプリケーションファミリーにわたる信頼性の高い探索、ほぼゼロの制約違反、完全な構造的有効性を示すベンチマークを提供。
4. モデル非依存の実装: 大規模な産業用格子へのスケーリングと、プライバシー/再現性の確保を意図して設計された、LangGraph とローカル Ollama に基づくオープンソースフレームワーク。

4. 実験的評価と結果

このシステムは、元のeRecordKeeping格子（約 60 の要件）と合成されたSmartHome格子（約 20 の要件）の 2 つのアプリケーションファミリーから抽出された10 のプロジェクトビジョンを用いて、自律シミュレーションモードで評価された。コーパスは、実世界の規格（例：ISO 26262、ISO 20022、TM Forum eTOM）に基づいた 12 のファミリーを含むように拡張された。

定量的結果

• 構造的有効性: 評価されたすべてのビジョンにおいて、100% の完了率と100% の構造的有効性を達成。
• 制約違反: 最終的な制約違反率は0.2%（プロセス中に検出され修正された 1 件の違反）。対照的に、バリデーターを除去したアブレーション研究では、平均違反率が 5.1% となり、構造的有効性は 14% にとどまった。
• F1 スコア: 手作業で作成されたゴールドスタンダードに対して、F1 スコアは0.47 から 0.81の範囲であった。著者は、この中程度のスコアは失敗ではなく、製品ラインにおける広大な「有効構成空間」（複数の正当なオプション/代替選択が存在する）の結果であると主張する。
• レイテンシ: 1 ビジョンあたりの平均ウォールクロックレイテンシは 210 秒で、LLM 呼び出しの平均は 78 回であった。バリデーターによる実行時間の増加は無視できるほど少なかった。

定性的知見

• 意図的な対立: システムは、LLM が「安価なシステム」などのステークホルダーの要望を満たそうとして必須制約（例：セキュリティ）に違反しようとする対立を成功裡にナビゲートする。バリデーターはこれらを拒否し、LLM に準拠した代替案（例：最も安価な有効なオプションの選択）を見つけるよう強制する。
• エラーの類型: 事前検証段階でのハルシネーションはドメインによって異なった（例：人事/給与における基数エラー、通信における構造的孤立、スマートグリッドにおける制約の無視）が、記号的バリデーターはすべてのケースで最終エラー率を 0% にまで低減した。

5. 意義と主張

本論文は、RE 自動化の未来は LLM パラメータの拡張にあるのではなく、ニューロ確率的推論と硬コードされた記号論理の調和的な結合にあると主張する。

• 指標の転換: 高コンプライアンスの RE においては、従来の NLP 指標である精度や F1 スコアよりも、構造的有効性率（SVR）と必須リコールがより重要な指標であると著者は主張する。100% の SVR を達成することは、確率的生成を形式的工学プロセスへと変換したことを証明する。
• 信頼できる AI: LLM の開かれた言語理解と、ルールベースの制約強制機能を分離することで、システムは曖昧なビジョンを解釈する柔軟性を維持しつつ、仕様のドリフトを防ぐ信頼性の高いパイプラインを提供する。
• スケーラビリティ: サブグラフナビゲーション戦略により、コンテキストウィンドウが一定に保たれる限り、推論品質を劣化させることなく、システムは理論的に産業用格子へ拡張可能である。

本研究は、LLM は意図の解釈には有用であるが、構造的論理については本質的に信頼できないものであり、ハルシネーションなしの要件再利用を確保するためには、そのタスクを記号コンポーネントに委譲しなければならないと結論づけている。