A Lawrence Berkeley National Laboratory (LBNL), a Department of Energy (DOE) egyik kiemelt kutatóintézete, amely Nobel-díjas munkáiról ismert, az Advanced Light Source (ALS) nevű nagy teljesítményű röntgensugár-forrást üzemelteti. Az ALS és más DOE fény- és neutronforrások mérőberendezései – a beamline‑ok – hatalmas mennyiségű képalkotó adatot generálnak; az utóbbi fejlesztések hatására a felbontás és sebesség ugrásszerűen nőtt, és az előállított adatmennyiség olyan mértékűre duzzadt, hogy emberi elemzéssel nem tartható lépést.
A számok
- A DOE fény- és neutronforrásai évente tízes nagyságrendű petabájtnyi adatot termelnek — ez milliónyi gigabájtnak, nagyjából 2 millió óra HD video streamnek megfelelő adatmennyiségnek felel meg.
- A detektorok fejlődését jól jelzi, hogy egykor egy képet hat másodpercenként készítettek, ma pedig akár 100 000 képet másodpercenként rögzítenek.
A kihívás nem csupán a mennyiség: domain-szakértőkből kevés van, és a modern in-situ kísérletek — ahol kémiai reakciókat vagy anyaghibákat figyelnek meg valós időben — olyan gyors adatértelmezést követelnek meg, amelyet manuálisan lehetetlen biztosítani. Az elemzési feladatok egyik kulcsa a szegmentáció: a képeken belüli szerkezetek pontos körvonalazása és címkézése, amely lehetővé teszi a nyers röntgenképek mennyiségi elemzését.
SYNAPS-I és a Genesis Mission
A Fehér Ház 2025 végi kezdeményezése, The Genesis Mission, a DOE vezetésével indult el, célja a tudományos felfedezés és technológiai vezetés felgyorsítása fejlett mesterséges intelligencia alkalmazásával. Ennek részeként a SYNAPS-I (SYnergistic Neutron And Photon Science – Intelligence) konzorcium az Argonne, Brookhaven, Oak Ridge és más laboratóriumokkal közösen azt tűzte ki célul, hogy a röntgen- és neutronadatok analízisét hónapokig tartó szűk keresztmetszetből valós idejű felfedező folyamattá alakítsa. Különösen kritikus a helyzet a kép-szegmentáció terén, ahol egy-egy kísérleti adathalmaz értelmezése korábban hetet-hónapokat vehetett igénybe.
Meta nyílt forráskódú modellei a munka középpontjában
A SYNAPS-I szegmentációs munkafolyamatát két, Meta által kiadott, nyílt forráskódú alapmodell hajtja: Segment Anything Model 3 (SAM 3) és DINOv3.
- DINOv3 önfelügyelt látásmodell: nyers képekről tanul emberi címkézés nélkül, és jól azonosítja, hogy a képen különböző struktúrák hol helyezkednek el.
- SAM pixel-szintű szegmentációt ad: pontos határokat húz az egyes objektumok köré, olyan gyorsan, mintha egy szakértő kézzel körvonalazná azokat.
E két modell egymást kiegészítve működik: DINO globális kontextust ad a mintázatokhoz, SAM pedig precíz pixelhatárokat rajzol. A SYNAPS-I csapata finomhangolta mindkét modellt DOE beamline-okon gyűjtött tudományos képadatokon, majd a modelleket nemzeti szuperszámítógépes erőforrásokra telepítette — köztük NERSC-re — és összesen 300 darab NVIDIA A100 GPU-n futtatták.
Eredmény: közel valós idejű, szemantikus 3D-rekonstrukció
A telepítés eredményeként a kutatók képesek voltak egy teljes, szemantikailag címkézett 3D térfogatot visszaszolgáltatni a beamline-nál dolgozó kutatónak, miközben az kísérlet még zajlik. A teljes feldolgozási idő körülbelül 15 perc. Ez azt jelenti, hogy ami korábban egy időlépés annotálásához egy hónap szakértői munkát igényelt, azt most negyedórán belül megkapták.
Gyakorlatias demonstráció: szőlőnövények aszályreakciója
A csapat a pipeline-t egy mezőgazdasági problémán demonstrálta: azt vizsgálták, hogyan reagálnak a szőlőtőkék sejtszinten az aszályra. Az Advanced Light Source-nál készített mikro-CT felvételekből a rendszer 3D-s térfogatokként rekonstruálja a szárakat, és automatikusan azonosítja a xilém-vesszőket — azokat a mikroszkopikus csöveket, amelyek a növényben a víz szállításáért felelősek. Az ezen edényekben bekövetkező változások nyomon követése segíthet aszálytűrőbb növényfajták kifejlesztésében.
Biztonság, nyílt forrás és jövőkép
A nemzeti laboratóriumok a publikáció előtti kutatási adatokat és az AI-modelleket kormányzati infrastruktúrán tárolják, nem külső felhőszolgáltatók rendszereiben; a munkafolyamatok biztonságos platformokat igényelnek az előrehaladás alatt lévő projekteknél. Meta nyílt forráskódú modelljeinek elérhetősége lehetővé tette a SYNAPS-I számára, hogy letöltse, finomhangolja és belső, zárt környezetben telepítse SAM-et és DINO-t, így természeti képeken tanult alapmodellek tudományos képadatokhoz igazíthatók.
A SYNAPS-I körülbelül 60 kutatóval dolgozik öt nemzeti laboratóriumból, és a cél az, hogy a felhasználói létesítmények intelligens felfedezőplatformokká váljanak: olyan rendszerekké, amelyek nemcsak gyorsabban dolgozzák fel az adatokat, hanem segítenek hipotéziseket generálni, javasolják a következő kísérleteket, és átadják a tudást a létesítmények között. Ahogy a Genesis Mission a kezdeti projektekből teljes programokká nő, ez a nyílt forrású alap jelentősen felgyorsíthatja a felfedezéseket több nemzeti prioritás területén.
A Trillion Parameter Consortium-on Dario Gil, a DOE Under Secretary-je így foglalta össze a törekvést: „By seamlessly combining AI, advanced computing, and experimental systems, SYNAPS-I analyzes data as it's produced and guides experiments in real time, replacing slow manual steps with adaptive, automated decision-making. This compresses discovery time from days to moments and establishes a continuous, self-improving model of science that will be essential to realizing the full potential of the Genesis Mission.”
Következtetés
A Meta SAM 3 és DINOv3 modellek nyílt forráskódú elérhetősége, a nemzeti szuperszámítógépek és a laboratóriumi adatok összehangolása lehetővé tette, hogy a DOE egyik prioritása — a The Genesis Mission — konkrét, működőképes eszközt kapjon a képalkotó adatok valós idejű elemzésére. A bemutatott pipeline rövid távon az adatfeldolgozás sebességét növeli, hosszabb távon pedig megváltoztathatja azt, ahogyan felfedezéseket tesznek a nemzeti kutatóinfrastruktúrákban.
