Согласно материалу Meta, Лаборатория Лоуренса Беркли, одна из ведущих исследовательских лабораторий Министерства энергетики США, известная своими работами, удостоенными Нобелевской премии в области физики, химии и материаловедения, управляет одними из самых современных научных объектов на планете. Среди них находится Усовершенствованный источник света (ALS), который производит интенсивные лучи рентгеновского света, позволяя исследователям изучать материалы от атомного и молекулярного уровней до растений. Инструменты ALS, известные как лучевые линии, генерируют огромные объемы данных, и недавние обновления оборудования значительно увеличили их разрешение и скорость, что привело к взрыву объема данных, который ученые не могут обработать. Поразительные цифры: источники света и нейтронов Министерства энергетики теперь производят десятки петабайт данных ежегодно — это миллионы гигабайт, что примерно эквивалентно стримингу 2 миллионов часов HD-видео. Эта проблема с накоплением данных не всегда существовала. Обновленные детекторы, которые раньше делали одно изображение каждые шесть секунд, теперь могут делать 100 000 изображений в секунду, что означает, что эти объекты сейчас генерируют в десятки раз больше данных, чем десять лет назад, и традиционный ручной анализ просто не успевает за этим потоком. Проблема заключается не только в объеме: экспертов по соответствующим областям недостаточно, и современные эксперименты в реальном времени, когда ученые наблюдают за динамическими процессами, такими как химические реакции или сбои материалов, требуют интерпретации в реальном времени, которую ни одна команда людей не может обеспечить вручную. Основная задача анализа заключается в сегментации — процессе идентификации и рисования точных границ вокруг различных структур в изображении. В компьютерном зрении сегментация позволяет отличать опухоли от здоровых тканей в медицинских сканах и отделять пешеходов от тротуара в автономных транспортных средствах. В научных исследованиях сегментация преобразует сырое рентгеновское изображение из стены градаций серого в помеченную карту значимых структур — клеточные стенки, минеральные зерна, слои полупроводников, которые исследователи могут количественно оценивать и сравнивать в разных экспериментах. В конце 2025 года Белый дом запустил Миссию Genesis, масштабную национальную инициативу по ускорению научных открытий и технологического лидерства с использованием передового искусственного интеллекта, возглавляемую Министерством энергетики. SYNAPS-I (Синергетическая нейтронная и фотонная наука — Интеллект) является одним из ее флагманских проектов: много лабораторная инициатива, возглавляемая Лабораторией Беркли в партнерстве с лабораториями Аргонн, Брукхейвен, Ок-Ридж и SLAC, направленная на преобразование анализа данных в области рентгеновской и нейтронной науки из месячного узкого места в движущую силу открытий в реальном времени, с научной визуализацией в качестве главной цели. Нигде это узкое место не так остро, как в сегментации изображений, где извлечение значимых структур из экспериментальных данных может занимать недели экспертного труда на один набор данных. В сердце сегментационного процесса SYNAPS-I находятся две модели открытого кода, выпущенные Meta: Модель сегментации всего (SAM 3) и DINOv3. DINOv3 — это самонастраиваемая модель визуализации, которая учится распознавать визуальные паттерны из сырых изображений без необходимости предварительной разметки людьми. Она превосходно справляется с пониманием того, что представляют собой различные структуры в изображении и где они расположены. SAM делает этот процесс еще более точным, рисуя четкие границы вокруг отдельных объектов на изображении — как ученый, который аккуратно обводит структуры вручную, но за секунды, а не часы. Вместе эти две модели образуют взаимодополняющий процесс: SAM предоставляет точные границы на уровне пикселей, в то время как DINO обеспечивает глобальный контекст для идентификации каждой структуры и ее места в образце. Команда SYNAPS-I доработала обе модели на данных научной визуализации, собранных на лучевых линиях Министерства энергетики, а затем развернула их на 300 A100 GPU — высокопроизводительных вычислительных чипах, которые питают самые современные системы ИИ сегодня — в национальных суперкомпьютерных центрах, таких как NERSC. Результат: полностью восстановленный 3D-объем, семантически помеченный и возвращенный ученому, физически находящемуся у инструмента лучевой линии, готовому к интерпретации, пока эксперимент все еще идет. Общее время обработки: примерно 15 минут. Команда SYNAPS-I продемонстрировала этот процесс на актуальной агрономической задаче — понимании того, как виноградники реагируют на засуху на клеточном уровне. Используя микрокомпьютерные томограммы, собранные на Усовершенствованном источнике света, процесс восстанавливает 3D-объемы стеблей винограда и автоматически идентифицирует сосуды ксилемы — микроскопические трубки, ответственные за транспортировку воды в растении. Отслеживая, как эти сосуды изменяются с прогрессированием засухи, исследователи получают понимание, которое может помочь в разработке устойчивых к засухе культур и предоставить решения для аграрной устойчивости в будущем. Микрокомпьютерная томограмма стебля винограда, сегментированная SYNAPS-I. Циан: гидратированные сосуды ксилемы; темно-фиолетовый: сухие. То, что раньше требовало месяца экспертной аннотации на каждом временном шаге, теперь занимает 15 минут, позволяя ученым изучать динамические биологические процессы на скорости самого сбора данных. Национальные лаборатории хранят данные предпубликационных исследований и модели ИИ на правительственной инфраструктуре, а не на внешних облачных сервисах. Эта работа должна управляться на безопасных платформах в процессе. Открытый подход Meta делает это возможным. Команда SYNAPS-I может загружать, дорабатывать и развертывать SAM и DINO в своих собственных защищенных вычислительных средах, адаптируя модели, изначально обученные на естественных изображениях, к научным областям, для которых они никогда не были предназначены. С 60 исследователями из пяти национальных лабораторий SYNAPS-I движется к будущему, где пользовательские объекты работают как интеллектуальные платформы для открытий — где ИИ не просто обрабатывает данные быстрее, но и помогает ученым генерировать гипотезы, рекомендует следующие эксперименты и передает знания между объектами, чтобы прорыв в одной лучевой линии приносил пользу исследователям во всех них. По мере того как Genesis расширяется от семенных проектов до полных программ, эта основа открытого кода готова ускорить открытия в рамках расширяющегося набора национальных приоритетов. На недавнем Консорциуме триллионов параметров заместитель министра энергетики Дарио Гил отметил обещание этой инициативы. «Сливая ИИ, передовые вычисления и экспериментальные системы, SYNAPS-I анализирует данные по мере их производства и направляет эксперименты в реальном времени, заменяя медленные ручные шаги адаптивным автоматизированным принятием решений», — сказал он. «Это сокращает время открытия с дней до мгновений и устанавливает непрерывную, самоулучшающуюся модель науки, которая будет необходима для реализации полного потенциала Миссии Genesis.» Материал подготовлен нейросетью на основе оригинальной публикации. ИИ может ошибаться в деталях (цифры, имена, даты, цитаты) — для важной информации сверяйтесь с первоисточником.