Национальная лаборатория имени Лоуренса в Беркли — одна из ведущих исследовательских лабораторий Министерства энергетики США, известная своими работами в области физики, химии и материаловедения, удостоенными Нобелевской премии, — управляет одними из самых передовых научных объектов на планете. Среди них — Advanced Light Source (ALS), установка размером с футбольное поле, которая генерирует чрезвычайно яркие пучки рентгеновского излучения, позволяя исследователям изучать материалы от атомного и молекулярного уровня до растений. Инструменты ALS, известные как каналы вывода пучка (beamlines), генерируют колоссальные объемы данных, и поскольку недавняя модернизация установки значительно увеличила их разрешение и скорость, объем данных вырос настолько, что ученые уже не справляются с их обработкой.
Цифры поражают: установки Министерства энергетики по генерации света и нейтронов ежегодно производят десятки петабайт данных — это миллионы гигабайт, что примерно эквивалентно потоковой передаче 2 миллионов часов HD-видео. Такого отставания раньше не было. Модернизированные детекторы, которые перешли от захвата одного изображения каждые шесть секунд к 100 000 изображений в секунду, означают, что теперь эти объекты генерируют на порядки больше данных, чем десять лет назад, и традиционный ручной анализ просто не успевает за этим процессом.
Проблема выходит за рамки объема: экспертов в предметной области мало, они перегружены, а современные эксперименты in-situ, в ходе которых ученые наблюдают за динамическими процессами, такими как химические реакции или разрушение материалов, требуют интерпретации в режиме реального времени, которую ни одна группа людей не может обеспечить вручную.
Значительная часть проблемы анализа сводится к одной задаче: сегментации — процессу идентификации и прорисовки точных границ вокруг отдельных структур внутри изображения. В компьютерном зрении сегментация — это то, что позволяет делать всё: от медицинских сканирований, отличающих опухоли от здоровых тканей, до автономных транспортных средств, отделяющих пешеходов от дорожного покрытия. В научных исследованиях сегментация — это то, что превращает необработанное рентгеновское изображение из набора пикселей в оттенках серого в размеченную карту значимых структур (клеточных стенок, зерен минералов, слоев полупроводников), которые исследователи могут количественно оценивать и сравнивать в разных экспериментах.
SYNAPS-I и миссия Genesis
В конце 2025 года Белый дом запустил миссию Genesis — масштабную национальную инициативу под руководством Министерства энергетики, направленную на ускорение научных открытий и технологического лидерства с использованием передового искусственного интеллекта. SYNAPS-I (SYnergistic Neutron And Photon Science – Intelligence) является одним из её флагманских проектов: это многолабораторная инициатива под руководством лаборатории в Беркли в партнерстве с Argonne, Brookhaven, Ок-Ридж и SLAC национальными лабораториями, направленная на превращение анализа данных в области рентгеновских и нейтронных исследований из многомесячного «узкого места» в механизм открытий в реальном времени, где научная визуализация является одной из главных целей. Нигде это «узкое место» не ощущается так остро, как в сегментации изображений, где извлечение значимых структур из экспериментальных данных может занимать недели экспертной работы на каждый набор данных.
В основе конвейера сегментации SYNAPS-I лежат две базовые модели с открытым исходным кодом, выпущенные Meta: Segment Anything Model 3 (SAM 3) и DINOv3.
Как SAM и DINO преобразуют научную визуализацию
DINOv3 — это самообучающаяся модель компьютерного зрения, что означает, что она изучает визуальные паттерны на основе необработанных изображений без предварительной разметки людьми. Она отлично понимает, что представляют собой различные структуры на изображении и где они расположены. SAM делает еще один шаг вперед, прорисовывая точные границы вокруг отдельных объектов на изображении — почти так же, как ученый, тщательно обводящий структуры вручную, но за секунды, а не часы.
Вместе эти две модели образуют взаимодополняющий конвейер: SAM обеспечивает точные границы на уровне пикселей, а DINO предоставляет глобальный контекст для идентификации каждой структуры и её места внутри образца. Команда SYNAPS-I дообучила обе модели на данных научной визуализации, собранных на каналах вывода пучка Министерства энергетики, а затем развернула их на 300 графических процессорах A100 — высокопроизводительных вычислительных чипах, на которых работают самые современные системы ИИ — в национальных суперкомпьютерных центрах, таких как NERSC. Результат: полностью реконструированный, семантически размеченный 3D-объем, возвращаемый ученому, который физически находится у инструмента, готовый к интерпретации, пока эксперимент еще продолжается. Общее время обработки: около 15 минут.
Команда SYNAPS-I продемонстрировала этот конвейер на актуальной сельскохозяйственной задаче — понимании того, как виноградные лозы реагируют на засуху на клеточном уровне. Используя микро-КТ-сканы, собранные на установке Advanced Light Source, конвейер реконструирует 3D-объемы стеблей лозы и автоматически идентифицирует сосуды ксилемы — микроскопические трубки, отвечающие за транспорт воды внутри растения. Отслеживая, как эти сосуды меняются по мере развития засухи, исследователи получают знания, которые могут помочь в разработке устойчивых к засухе сельскохозяйственных культур и обеспечить решения для устойчивости сельского хозяйства в будущем.
Микро-КТ-скан стебля виноградной лозы, сегментированный с помощью SYNAPS-I. Голубой цвет: гидратированные сосуды ксилемы; темно-фиолетовый: сухие.
То, что раньше требовало месяца экспертной аннотации на каждый временной шаг, теперь занимает 15 минут, позволяя ученым изучать динамические биологические процессы со скоростью самого сбора данных.
Почему важен открытый исходный код
Национальные лаборатории хранят неопубликованные исследовательские данные и модели ИИ на государственной инфраструктуре, а не в сторонних облачных сервисах. Эта работа должна вестись на защищенных платформах в процессе её выполнения. Подход Meta с открытым исходным кодом делает это возможным. Команда SYNAPS-I может загружать, дообучать и развертывать SAM и DINO в своих собственных защищенных вычислительных средах, адаптируя модели, изначально обученные на естественных изображениях, к научным областям, для которых они не были предназначены.
Объединяя 60 исследователей из пяти национальных лабораторий, проект SYNAPS-I движется к будущему, в котором пользовательские объекты будут работать как интеллектуальные платформы для открытий — где ИИ не просто быстрее обрабатывает данные, но помогает ученым формулировать гипотезы, рекомендует следующие эксперименты и передает знания между объектами, чтобы прорыв на одном канале вывода пучка приносил пользу исследователям на всех остальных. По мере того как миссия Genesis масштабируется от пилотных проектов до полноценных программ, этот фундамент с открытым исходным кодом готов ускорить открытия по всему расширяющемуся спектру национальных приоритетов.
На недавнем консорциуме Trillion Parameter Consortium заместитель министра энергетики Дарио Гил отметил перспективность этих усилий.
«Благодаря органичному сочетанию ИИ, передовых вычислений и экспериментальных систем, SYNAPS-I анализирует данные по мере их поступления и направляет эксперименты в режиме реального времени, заменяя медленные ручные этапы адаптивным автоматизированным принятием решений», — сказал он. «Это сокращает время совершения открытий с дней до мгновений и создает непрерывную, самосовершенствующуюся модель науки, которая будет необходима для реализации полного потенциала миссии Genesis».
Наши последние обновления, доставленные на ваш почтовый ящик
