メタ AI が科学プロジェクトを加速
米国エネルギー省が主導する「Genesis Mission」の一環として、メタのAIモデルを活用した「SYNAPS-I」プロジェクトが発足し、科学施設で生成される膨大なデータ解析の自動化とリアルタイム処理が可能になる。
キーポイント
科学データの爆発的増加と分析の限界
DOEの光・中性子源施設は年間数十ペタバイトのデータを生成しており、検出器の高速化によりデータ量が過去10年で桁違いに増大し、従来の人手による解析が追いつかなくなっている。
Genesis Mission と SYNAPS-I の発足
2025年末にホワイトハウスから発表された国家プロジェクト「Genesis Mission」の旗艦プロジェクトとして、エネルギー省主導でメタのAI技術を活用した「SYNAPS-I」が開始される。
セグメンテーションによる科学発見の加速
画像内の構造を特定する「セグメンテーション」技術により、X線画像から細胞壁や鉱物粒子などの意味ある構造を自動抽出し、化学反応や材料破壊などの動的プロセスをリアルタイムで解釈可能にする。
重要な引用
The numbers are staggering: The DOE's light and neutron source facilities now produce tens of petabytes of data annually
Upgraded detectors, which have gone from capturing a single image every six seconds to 100,000 images per second, mean these facilities now generate orders of magnitude more data than they did a decade ago
In scientific research, segmentation is what transforms a raw X-ray image from a wall of grayscale pixels into a labeled map of meaningful structures
影響分析・編集コメントを表示
影響分析
このニュースは、AI技術が基礎科学研究のボトルネック解消において決定的な役割を果たし始める転換点を示しています。特に、メタのような巨大テック企業のモデルが、国家プロジェクトを通じて実社会の重大課題（科学データの処理）に即座に適用される事例は、AIの実用化スピードと政府・産業界の連携の深さを象徴するものです。
編集コメント
科学分野におけるAIの活用は、単なる効率化ツールから、新たな発見を可能にする不可欠なインフラへと進化しています。特にメタのモデルが国家プロジェクトで採用されることは、オープンソースや大規模モデル技術が社会実装においていかに重要視されているかを如実に示しています。
「Lawrence Berkeley National Laboratory」は、物理学・化学・材料科学分野でのノーベル賞受賞実績を持つ米国エネルギー省の主要研究機関の一つであり、世界で最も高度な科学施設を運営しています。その中でも特に注目されるのが、「Advanced Light Source（ALS）」です。これはサッカー場ほどの広さを誇る施設で、極めて明るく強力な X 線ビームを生成します。これにより、研究者は原子・分子レベルから植物に至るまで、あらゆる物質の構造や性質を詳細に調査することが可能になります。
しかし、ALS の装置である「ビームライン」からは膨大な量のデータが生成されます。最近行われた施設のアップグレードによって解像度と処理速度が劇的に向上した結果、データの量は爆発的に増加し、科学者たちが追いつくことさえ困難な状況に陥っています。
その規模は桁外れです。現在、米国エネルギー省が運営する光・中性子源施設では、年間数十ペタバイトのデータを生成しています。これは数億ギガバイトに相当し、高画質（HD）動画を約 200 万時間連続でストリーミングした量と同等です。
こうしたデータ蓄積の問題は、かつて存在していたわけではありません。検出器のアップグレードにより、以前は 6 秒間に 1 枚だった撮影速度が、現在は 1 秒間に 10 万枚にまで向上しました。その結果、これらの施設が生成するデータの量は、10 年前と比べて桁違いに増大しています。従来の手動による分析手法では、この膨大なデータ量を処理しきれないのが現状です。
問題の規模は単にデータ量だけではありません。ドメインの専門家は不足しており、過剰な負担を強いられています。さらに、現代の現場実験では、化学反応や材料破壊といった動的プロセスが進行する様子を科学者が直接観察する必要がありますが、これには人間の手作業では対応できないリアルタイムでの解釈が求められます。
分析上の課題の本質は、ある一つのタスクに集約されます。それがセグメンテーション（領域分割）です。これは画像内の異なる構造を特定し、その境界線を正確に描画するプロセスを指します。コンピュータビジョンの分野では、この技術こそが、腫瘍と正常組織を区別する医療画像診断や、歩行者と舗装面を分離する自動運転車の実現を支えています。科学研究においては、セグメンテーションによって、生データであるX線画像（グレースケールのピクセルの壁）から、研究者が実験間で定量化・比較可能な意味ある構造（細胞壁、鉱物粒、半導体層など）を示すラベル付きマップへと変換することが可能になります。
SYNAPS-I とジェネシス・ミッション
2025 年後半、ホワイトハウスは DOE（エネルギー省）を主導機関として、高度な人工知能を活用した科学発見の加速と技術的リーダーシップ確立を目指す包括的な国家イニシアチブ「The Genesis Mission」を発表しました。このプロジェクトの一翼を担うのが、SYNAPS-I（SYnergistic Neutron And Photon Science – Intelligence）です。
シンク・アール・エム・アイはバークレー研究所が主導し、アーゴンヌ、ブルックヘイブン、オークリッジ、SLAC の各国立研究所と連携して進められる多機関共同プロジェクトです。その目的は、X 線および中性子科学におけるデータ分析を、数ヶ月にわたるボトルネックからリアルタイムの発見エンジンへと変革すること。特に科学イメージングが主要なターゲットとなっています。
このボトルネックが最も深刻なのは画像セグメンテーションの分野です。実験データから意味のある構造を抽出する作業は、データセットごとに専門家の手間を数週間も要することがあります。
SYNAPS-I のセグメンテーション・パイプラインの中核を担っているのが、Meta が公開した 2 つのオープンソース基盤モデルです。それは Segment Anything Model 3（SAM 3）と DINOv3 です。
SAM と DINO が科学イメージングを変革する
DINOv3 は自己教師ありのビジョンモデルであり、人間がラベル付けを行うことなく、生画像から視覚パターンを学習します。このモデルは、画像内の異なる構造が何を表しているか、またそれらがどこに位置しているかを理解することに優れています。
SAM はその理解を一歩進め、画像内の個々の物体の周囲に正確な境界線を引きます。これは科学者が手作業で慎重に構造を輪郭描きする様子に似ていますが、所要時間は数時間ではなく数秒です。
この 2 つのモデルは相補的なパイプラインを形成しています。SAM はピクセルレベルの精密な境界線を提供し、DINO は各構造とそのサンプル内での位置を特定するためのグローバルコンテキストを提供します。SYNAPS-I チームは、DOE のビームラインで収集された科学イメージングデータを用いて両モデルをファインチューニングしました。その後、現在の最先端 AI システムを支える高性能コンピューティングチップである A100 GPU を 300 基備えた国家スーパーコンピュータ施設（NERSC など）に展開しました。
その結果、実験が進行中であっても解釈可能な状態で、ビームラインの機器に実際に立っている科学者のもとへ、完全に再構築され意味的にラベル付けされた 3D ボリュームデータが返されます。全体の処理時間は約 15 分です。
SYNAPS-I チームは、このパイプラインを実際の農業課題である「ブドウの樹が乾燥ストレスに細胞レベルでどう反応するか」の解明に応用しました。先進的光源施設（Advanced Light Source）で収集したマイクロ CT スキャンデータを用いて、パイプラインは茎の 3D 体積を再構成し、植物内の水分輸送を担う微細な管である木部導管を自動的に特定します。
SYNAPS-I によってセグメント化されたブドウの茎のマイクロ CT スキャン。シアン色が水分を含んだ木部導管、濃い紫色が乾燥した部分を表しています。
乾燥が進むにつれてこれらの導管がどう変化するかを追跡することで、研究者は干ばつに強い作物の開発や、将来の農業におけるレジリエンス向上のための解決策につながる知見を得ることができます。
以前では時間ステップごとに専門家による注釈付けに 1 か月を要していた作業が、現在はわずか 15 分で完了します。これにより、科学者はデータ取得そのものの速度で動的な生物学的プロセスを研究できるようになりました。
オープンソースが重要な理由
国立研究所では、未公開の研究データやAIモデルを外部クラウドサービスではなく、政府インフラ上に保管・管理しています。この作業は進行中の間も安全なプラットフォーム上で行う必要があります。Meta のオープンソースアプローチこそが、これを可能にします。
SYNAPS-I チームは、SAM や DINO を自社の安全なコンピューティング環境内でダウンロードし、ファインチューニングしてデプロイできます。これにより、自然画像向けに訓練されたモデルを、科学ドメインへと適応させることが実現しました。元々科学分野のために設計されていなかったモデルでも、こうした柔軟性によって活用が可能になります。
5 つの国立研究所に所属する 60 名の研究者が参加する SYNAPS-I は、ユーザー施設が知的な発見プラットフォームとして機能する未来を構築しています。AI が単にデータを高速処理するだけでなく、科学者が仮説を立てるのを支援し、次の実験を提案し、施設間で知識を共有することで、あるビームラインでのブレークスルーが他のすべての施設の研究者にも恩恵をもたらすような世界です。
ジェネシス・ミッションが種プロジェクトから本格的なプログラムへと拡大するにつれ、このオープンソースの基盤が、拡大する国の優先課題全体における発見を加速させる準備ができています。
最近開催されたトリリオンパラメータ・コンソーシアムにおいて、DOE のダリオ・ジル副長官は、この取り組みの可能性について言及しました。
「AI、高度なコンピューティング、実験システムをシームレスに統合することで、SYNAPS-I はデータが生成される瞬間に分析し、実験をリアルタイムで導きます。これにより、従来の遅い手動プロセスを適応型かつ自動化された意思決定に置き換え、発見までの時間を数日から瞬時に短縮します。さらに、ジェネシス・ミッションの潜在能力を最大限に引き出すために不可欠となる、継続的に自己改善する科学モデルを確立するのです」と同氏は語りました。
最新のニュースをあなたのメールボックスへ
Meta AI のニュースやイベント、研究のブレークスルーなどについて最新情報を入手するには、ニュースレター を購読してください。
原文を表示
Lawrence Berkeley National Laboratory — one of the US Department of Energy's premier research laboratories, known for Nobel Prize-winning work in physics, chemistry, and materials science — operates some of the most advanced scientific facilities on the planet. Among them is the Advanced Light Source (ALS), a football field-sized facility that produces intensely bright beams of X-ray light, allowing researchers to study materials from the atomic and molecular scale all the way to plants. The ALS's instruments, known as beamlines, generate enormous quantities of data — and as recent facility upgrades have dramatically increased their resolution and speed, the volume of data has exploded beyond what scientists can keep up with.
The numbers are staggering: The DOE's light and neutron source facilities now produce tens of petabytes of data annually — that's millions of gigabytes, roughly equivalent to streaming 2 million hours of HD video. This backlog didn't always exist. Upgraded detectors, which have gone from capturing a single image every six seconds to 100,000 images per second, mean these facilities now generate orders of magnitude more data than they did a decade ago, and traditional manual analysis simply can't keep pace.
The problem goes beyond volume: domain experts are scarce and overwhelmed, and modern in-situ experiments — where scientists observe dynamic processes like chemical reactions or material failures as they occur — demand real-time interpretation that no human team can deliver manually.
Much of the analysis challenge comes down to one task: segmentation — the process of identifying and drawing precise boundaries around distinct structures within an image. In computer vision, segmentation is what enables everything from medical scans that distinguish tumors from healthy tissue to autonomous vehicles that separate pedestrians from pavement. In scientific research, segmentation is what transforms a raw X-ray image from a wall of grayscale pixels into a labeled map of meaningful structures — cell walls, mineral grains, semiconductor layers — that researchers can quantify and compare across experiments.
SYNAPS-I and the Genesis Mission
In late 2025, the White House launched The Genesis Mission, a sweeping national initiative to accelerate scientific discovery and technological leadership using advanced artificial intelligence, led by DOE. SYNAPS-I (SYnergistic Neutron And Photon Science – Intelligence) is one of its flagship projects: a multi-lab initiative led by Berkeley Lab, in partnership with Argonne, Brookhaven, Oak Ridge, and SLAC National Laboratories, aimed at transforming data analysis across X-ray and neutron science from a months-long bottleneck into a real-time discovery engine, with scientific imaging as a major target. Nowhere is that bottleneck more acute than in image segmentation, where extracting meaningful structures from experimental data can consume weeks of expert effort per dataset.
At the heart of SYNAPS-I's segmentation pipeline are two open-source foundation models released by Meta: Segment Anything Model 3 (SAM 3) and DINOv3.
How SAM and DINO Transform Scientific Imaging
DINOv3 is a self-supervised vision model, meaning it learns visual patterns from raw images without requiring humans to label them first. It excels at understanding what different structures in an image represent and where they are located. SAM takes that understanding a step further, drawing precise boundaries around individual objects in an image — much like a scientist carefully outlining structures by hand, but in seconds rather than hours.
Together, the two models form a complementary pipeline: SAM delivers precise, pixel-level boundaries, while DINO provides global context to identify each structure and its place within the sample. The SYNAPS-I team fine-tuned both models on scientific imaging data collected at DOE beamlines, then deployed them across 300 A100 GPUs — the high-performance computing chips that power today's most advanced AI systems — at national supercomputing facilities such as NERSC. The result: a fully reconstructed, semantically labeled 3D volume delivered back to the scientist physically standing at the beamline instrument, ready for interpretation while the experiment is still running. Total turnaround: approximately 15 minutes.
The SYNAPS-I team demonstrated this pipeline on a pressing agricultural challenge — understanding how grapevines respond to drought at the cellular level. Using micro-CT scans collected at the Advanced Light Source, the pipeline reconstructs 3D volumes of vine stems and automatically identifies xylem vessels — the microscopic tubes responsible for water transport within the plant. By tracking how these vessels change as drought progresses, researchers gain insights that could inform the development of drought-resilient crops, and provide solutions for agricultural resilience into the future.
Micro-CT scan of a grapevine stem, segmented by SYNAPS-I. Cyan: hydrated xylem vessels; dark purple: dry.
What previously required a month of expert annotation per time step now takes 15 minutes, enabling scientists to study dynamic biological processes at the speed of data acquisition itself.
Why Open Source Matters
National laboratories keep prepublication research data and AI models on government infrastructure, not external cloud services. This work must be managed on secure platforms while in progress. Meta's open source approach makes this possible. The SYNAPS-I team can download, fine-tune, and deploy SAM and DINO within their own secure computing environments, adapting models originally trained on natural images to scientific domains they were never designed for.
With 60 researchers across five national labs, SYNAPS-I is building toward a future where user facilities operate as intelligent discovery platforms — where AI doesn't just process data faster, but helps scientists generate hypotheses, recommends next experiments, and transfers knowledge across facilities so that a breakthrough at one beamline benefits researchers at all of them. As Genesis scales from seed projects to full programs, that open source foundation is poised to accelerate discovery across an expanding set of national priorities.
At the recent Trillion Parameter Consortium, DOE Under Secretary Dario Gil referred to the promise of this effort.
"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," he said. "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."
Our latest updates delivered to your inbox
Subscribe to our newsletter to keep up with Meta AI news, events, research breakthroughs, and more.
関連記事
今日のまとめ
AI日報で今日の重要ニュースをまとめ読み