メタ AI、Genesis プロジェクトを支援

Lawrence Berkeley National Laboratory（LBL）は、米国エネルギー省の主要研究機関の一つであり、物理学・化学・材料科学分野でのノーベル賞受賞実績で知られています。同研究所では、地球上でも最も高度な科学施設の一部を運営しています。

その中でも特に注目されるのが「Advanced Light Source（ALS）」です。これは米国のフットボール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・分子レベルの物質から植物に至るまで、あらゆるスケールの材料を研究することが可能になります。

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。最近の施設アップグレードによって分解能と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、科学者たちが処理しきれない規模に達しています。

その数は桁外れです。米国エネルギー省が運営する光・中性子源施設では、現在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、HD 動画で約 200 万時間分のストリーミング量と同等です。

こうしたデータ蓄積の問題は昔からあったわけではありません。検出器がアップグレードされ、撮影速度が「6 秒に 1 枚」から「1 秒間に 10 万枚」へと劇的に向上したことで、これらの施設では 10 年前と比べて桁違いの量のデータが発生するようになりました。その結果、従来の手動分析ではもはや追いつくことが不可能になっています。

問題の規模は単なるデータ量の多さに留まりません。ドメインの専門家は不足しており、過重労働に陥っています。また、化学反応や材料破壊といった動的プロセスをその場で観察する現代的な現場実験では、人間が手作業で対応できるリアルタイムでの解釈が不可欠です。

分析上の課題の多くは、セグメンテーションという一つのタスクに集約されます。これは画像内の異なる構造体を特定し、精密な境界線を引くプロセスです。コンピュータビジョンにおいて、セグメンテーションは腫瘍と正常組織を区別する医療画像診断から、歩行者と舗装路面を分離する自動運転車まで、あらゆる技術の基盤となっています。科学研究においては、セグメンテーションによって、グレースケールのピクセルが並ぶ生データである X 線画像が、細胞壁や鉱物粒、半導体層といった意味ある構造体をラベル付けしたマップへと変換されます。これにより研究者は、実験間での定量的な比較が可能になります。

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、「The Genesis Mission」を発表しました。これは高度な人工知能を活用して科学発見と技術的リーダーシップの加速を図る包括的な国家イニシアチブです。

このプロジェクトには、SYNAPS-I（SYnergistic Neutron And Photon Science – Intelligence）が参画しています。アルゴンヌ国立研究所、ブルックヘブン国立研究所、オークリッジ国立研究所などとの連携により、X 線および中性子科学分野におけるデータ分析を、従来は数ヶ月かかった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を目指しています。特に科学イメージングがその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顕著に現れるのが画像セグメンテーションです。実験データから意味のある構造を抽出する作業には、従来、データセットごとに専門家による数週間の労力が必要とされていました。

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は、Meta が公開した 2 つのオープンソース基盤モデルです。それが 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 は自己教師あり学習による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す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。まるで科学者が手作業で慎重に構造を輪郭描きするかのようですが、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ます。SAM がピクセルレベルの精密な境界線を提供し、DINO が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な文脈を提供します。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、NERSC などの国立スーパーコンピューティング施設にある 300 台の A100 GPU（現在の最先端 AI システムを支える高性能計算チップ）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、ビームライン装置の前に立つ科学者のもとへ、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却されます。所要時間はわずか約 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「ブドウの樹が細胞レベルで干ばつにどう反応するか」の解明に応用しました。先進的な光源施設（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 ボリュームを再構築し、植物内の水分輸送を担う微小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。シアン色は水分を含んだ木部導管、濃紫色は乾燥した状態を示しています。

干ばつが進行するにつれてこれらの導管がどのように変化するかを追跡することで、研究者たちは干ばつに強い作物の開発や、将来に向けた農業のレジリエンス向上のための解決策を導き出すための重要な知見を得ることができます。

以前では各タイムステップごとに専門家の注釈付けに 1 か月かかっていた作業が、今ではわずか 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 モデルを政府インフラ上に保管し、外部のクラウドサービスには依存していません。この作業は進行中に安全なプラットフォーム上で管理される必要があります。Meta のオープンソースへの取り組みこそが、その実現を可能にしています。

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、展開を行うことができます。これにより、自然画像向けに訓練されたモデルを、科学分野という当初の設計目的とは異なる領域に適応させることが可能になります。

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目指して活動しています。そこでは AI が単にデータを高速処理するだけでなく、科学者の仮説生成を支援し、次の実験を提案し、施設間での知識共有を実現します。あるビームラインでの画期的な発見が、他のすべての施設の研究者にも恩恵をもたらすような環境です。

Genesis プログラムがシードプロジェクトから本格的なプログラムへと規模を拡大するにつれ、このオープンソースの基盤は、拡大する国の優先課題全体における発見の加速に大きく寄与すると期待されています。

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 次官補のダリオ・ギル氏は、この取り組みが持つ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 はデータ生成と同時に分析を行い、実験をリアルタイムで導きます。これにより、従来の遅い手動手順が適応型かつ自動化された意思決定に置き換わり、発見までの時間を数日から瞬時に短縮します。また、これはジェネシス・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、継続的で自己改善型の科学モデルを確立するものです」と同氏は語りました。

最新のニュースをお届けします

Meta AI のニュースやイベント、研究における画期的な成果などについて最新情報をお受け取りになるには、ニュースレター を購読してください。