メタ AI が科学プロジェクトを加速

「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。