Simula：メカニズムと推論に基づく合成データセット設計のフレームワーク

Google Researchは、データセット作成をメカニズムデザイン問題として捉える合成データ生成フレームワーク「Simula」を発表しました。手動プロンプトやシードデータに依存する既存手法とは異なり、Simulaは推論優先アプローチを採用し、シードなしで第一原理からデータセットを構築します。生成プロセスを4つの軸に分解します。すなわち、網羅性を担保する深いタクソノミ、多様性を確保する局所的多様化、難易度調整のための複雑化、そしてデュアルクリティカループによる品質チェックです。Simulaは評価のために、タクソノミックカバレッジ（Taxonomic Coverage）やイロレーティング（Elo ratings）といった推論ベースの指標を使用します。本フレームワークは、サイバーセキュリティ、法的推論、数学（GSM8k）、多言語知識（Global MMLU）などの領域において、教師としてGemini 2.5 Flash、生徒としてGemma-3 4Bを用いて活用されています。Google社内では、SimulaはGemmaエコシステム（ShieldGemma、FunctionGemma、MedGemma）、Gemini向けセーフティ分類器、Android通話における詐欺検出やGoogleメッセージのスパムフィルタリングなどの機能を支えています。本フレームワークは、データ生成を特殊化されたAIアプリケーション向けの制御可能な科学とすることを目的としています。