Как ИИ-модели Meta обеспечивают первую волну проектов Genesis Mission

Модели Meta ускорили анализ научных данных в Genesis Mission

Национальная лаборатория Лоуренса в Беркли и ещё четыре национальные лаборатории США используют открытые модели Meta SAM 3 и DINOv3, чтобы анализировать данные рентгеновских и нейтронных экспериментов почти в реальном времени. В рамках проекта SYNAPS-I модели обрабатывают изображения на 300 графических процессорах A100 и превращают их в размеченные трёхмерные объёмы примерно за 15 минут. Раньше одна временная точка эксперимента могла требовать месяца ручной работы экспертов. Конвейер уже применили для изучения того, как виноградные лозы реагируют на засуху на клеточном уровне.

Данные для науки

Национальная лаборатория Лоуренса в Беркли — одна из ведущих исследовательских лабораторий Министерства энергетики США, известная работами в физике, химии и материаловедении, отмеченными Нобелевскими премиями. Здесь работает установка Advanced Light Source (ALS) — сооружение размером с футбольное поле, которое создаёт очень яркие рентгеновские пучки. С их помощью учёные изучают объекты от атомного и молекулярного уровня до растений.

Инструменты ALS, называемые линиями пучка, производят огромные объёмы данных. После модернизации установки стали получать изображения с гораздо более высоким разрешением и скоростью, поэтому объём информации вырос настолько, что исследователи перестали успевать обрабатывать её вручную.

Источник: ai.meta.com

Источники рентгеновского и нейтронного излучения Министерства энергетики США теперь создают десятки петабайт данных в год — это миллионы гигабайт, примерно как 2 млн часов потокового видео в HD.

Такой дефицит возник не всегда. Раньше детекторы фиксировали одно изображение за шесть секунд, а теперь способны получать до 100 000 изображений в секунду. По сравнению с ситуацией десятилетней давности установки создают на порядки больше данных, и традиционный ручной анализ уже не справляется.

Проблема связана не только с объёмом информации. Специалистов по отдельным научным областям мало, и они перегружены. Кроме того, современные эксперименты непосредственно на месте, в которых учёные наблюдают за химическими реакциями или разрушением материалов прямо во время процесса, требуют интерпретации в реальном времени. Вручную обеспечить её не может ни одна команда.

Сегментация изображений

Большая часть задачи сводится к сегментации — выделению отдельных структур на изображении и проведению точных границ вокруг них. В компьютерном зрении этот подход используют, например, чтобы отличать опухоль от здоровой ткани на медицинских снимках или отделять пешеходов от дороги в системах автономного вождения.

В научных исследованиях сегментация превращает исходный рентгеновский снимок, состоящий из серых пикселей, в размеченную карту структур, которые можно измерять и сопоставлять между экспериментами. Это могут быть клеточные стенки, минеральные зёрна или слои полупроводника.

В конце 2025 года Белый дом запустил Genesis Mission — масштабную национальную инициативу под руководством Министерства энергетики США. Её цель — ускорить научные открытия и развитие технологий с помощью передового ИИ.

Один из ключевых проектов инициативы — SYNAPS-I (SYnergistic Neutron And Photon Science – Intelligence). Это совместная программа пяти лабораторий под руководством лаборатории Беркли, в которую также входят Аргоннская, Брукхейвенская, Ок-Риджская и SLAC National Laboratories. Проект должен превратить анализ данных в рентгеновской и нейтронной науке из многомесячного узкого места в инструмент открытий, работающий в реальном времени. Одно из главных направлений — научная визуализация.

Особенно остро задержка проявляется в сегментации изображений: извлечение значимых структур из экспериментальных данных может занимать у специалистов недели на один набор данных.

Что делают SAM 3 и DINOv3

В основе конвейера сегментации SYNAPS-I лежат две открытые базовые модели Meta — Segment Anything Model 3 (SAM 3) и DINOv3.

DINOv3 — модель компьютерного зрения с самообучением. Она находит визуальные закономерности в исходных изображениях, не требуя предварительной разметки людьми. Модель определяет, что представляют собой разные структуры и где они находятся.

SAM использует это понимание, чтобы провести точные границы вокруг отдельных объектов на изображении. По сути, она повторяет работу учёного, который вручную обводит структуры, но делает это за секунды вместо часов.

Вместе модели образуют взаимодополняющий процесс: SAM строит точные границы на уровне отдельных пикселей, а DINOv3 даёт общий контекст — помогает определить каждую структуру и её положение внутри образца.

Команда SYNAPS-I выполнила файн-тюнинг обеих моделей на научных изображениях, собранных на линиях пучка Министерства энергетики США. Затем модели развернули на 300 графических процессорах A100 в национальных центрах суперкомпьютерных вычислений, включая NERSC.

На выходе получается полностью восстановленный трёхмерный объём с семантической разметкой. Учёный получает его непосредственно у прибора на линии пучка и может интерпретировать данные, пока эксперимент ещё продолжается. Весь процесс занимает примерно 15 минут.

Эксперимент с виноградными лозами

Команда SYNAPS-I проверила конвейер на задаче, связанной с сельским хозяйством: исследователи изучали, как виноградные лозы реагируют на засуху на клеточном уровне.

Для этого использовали микрокомпьютерную томографию, полученную на Advanced Light Source. Конвейер восстанавливает трёхмерные объёмы стеблей лозы и автоматически находит сосуды ксилемы — микроскопические трубки, по которым внутри растения перемещается вода.

Отслеживая изменения этих сосудов по мере усиления засухи, учёные получают данные для разработки культур, устойчивых к нехватке воды, и решений для повышения устойчивости сельского хозяйства.

То, что раньше требовало месяца работы эксперта по каждой временной точке, теперь занимает 15 минут. Это позволяет изучать динамические биологические процессы с той же скоростью, с какой поступают данные.

Работа в закрытой инфраструктуре

Национальные лаборатории хранят неопубликованные научные данные и модели ИИ на государственной инфраструктуре, а не во внешних облачных сервисах. Пока исследование продолжается, его необходимо вести на защищённых платформах.

Открытая модель распространения Meta позволяет это делать. Команда SYNAPS-I может скачать SAM и DINOv3, выполнить их файн-тюнинг и развернуть модели в собственной защищённой вычислительной среде. Изначально они обучались на обычных изображениях, но теперь их адаптируют к научным областям, для которых модели не создавались.

Следующий этап SYNAPS-I

В проекте участвуют 60 исследователей из пяти национальных лабораторий. SYNAPS-I развивает подход, при котором научные установки становятся интеллектуальными платформами для открытий: ИИ должен не только быстрее обрабатывать данные, но и помогать формулировать гипотезы, рекомендовать следующие эксперименты и переносить знания между установками.

В таком сценарии результат, полученный на одной линии пучка, сможет использоваться исследователями на других установках. По мере того как Genesis Mission будет переходить от отдельных проектов к полноценным программам, открытая основа моделей должна применяться для ускорения исследований по всё большему числу национальных приоритетов.

На недавнем заседании Консорциума триллиона параметров о перспективах этой работы рассказал заместитель министра энергетики США Dario Gil. По его словам, SYNAPS-I объединяет ИИ, передовые вычисления и экспериментальные системы, анализирует данные по мере их получения и помогает управлять экспериментами в реальном времени. Ручные медленные этапы заменяются адаптивными автоматизированными решениями, что сокращает путь от эксперимента до результата с дней до мгновений и создаёт непрерывно улучшающуюся модель научной работы, необходимую для реализации возможностей Genesis Mission.