Die Genesis Mission, eine nationale US-Initiative zur Beschleunigung wissenschaftlicher Entdeckungen durch Künstliche Intelligenz, erreicht einen ersten bedeutenden Meilenstein. Im Zentrum steht das SYNAPS-I Projekt, das mithilfe offener KI-Modelle von Meta die Analyse riesiger Datenmengen in Echtzeit ermöglicht. Lesen Sie, wie diese Technologie die Forschung an nationalen Großanlagen nachhaltig revolutioniert.
Die Herausforderung: Datenflut an wissenschaftlichen Großanlagen
Das Lawrence Berkeley National Laboratory betreibt einige der fortschrittlichsten Forschungseinrichtungen der Welt. Dazu gehört die Advanced Light Source (ALS), eine röntgenbasierte Anlage, die Materialien von der atomaren Ebene bis hin zu ganzen Pflanzen untersucht. Moderne Detektoren erzeugen dabei bis zu 100.000 Bilder pro Sekunde, was die Datenmenge immens anwachsen lässt.
Die Zahlen sind enorm: Jährlich entstehen an den Licht- und Neutronenquellen des US-Energieministeriums Zehntausende Petabytes. Traditionelle manuelle Analysemethoden stoßen hier an ihre Grenzen. Fachkräfte sind rar und überlastet, während moderne in-situ Experimente eine sofortige Interpretation erfordern, die kein menschliches Team manuell leisten kann.
SYNAPS-I: KI-gestützte Echtzeitanalyse für die Genesis Mission
Im Rahmen der Genesis Mission wurde SYNAPS-I (SYnergistic Neutron And Photon Science – Intelligence) ins Leben gerufen. Dieses Flaggschiff-Projekt wird vom Berkeley Lab geleitet und umfasst Partnerschaften mit den National Laboratories in Argonne, Brookhaven, Oak Ridge und SLAC. Das zentrale Ziel ist es, die wissenschaftliche Bildanalyse von einem monatelangen Engpass in eine Echtzeit-Entdeckungsmaschine zu verwandeln.
Der größte Flaschenhals liegt in der Segmentierung von Bilddaten. Dabei werden präzise Grenzen um einzelne Strukturen gezogen, sodass aus einer grauen Pixelwand beispielsweise Zellwände, Mineralien oder Halbleiterschichten werden. Dieser Prozess frisst bisher Wochen oder gar Monate an Expertenarbeit pro Datensatz.
SAM 3 und DINOv3 transformieren die Bildanalyse
Die technologische Lösung kommt von Meta: Das Team setzt auf die quelloffenen Foundation Models DINOv3 und Segment Anything Model 3 (SAM 3). DINOv3 erlernt dabei visuelle Muster aus Rohdaten, ohne dass Menschen diese zuvor labeln müssen. SAM 3 zieht daraufhin pixelgenaue Grenzen um die erkannten Objekte.
Zusammen bilden die beiden Modelle eine komplementäre Pipeline. SAM liefert die präzisen Konturen, während DINO den globalen Kontext zur Identifikation bereitstellt. Auf 300 A100 GPUs der nationalen Supercomputing-Zentren fine-tuned das Team die Modelle mit spezifischen Daten der DOE-Beamlines. Das Ergebnis: Ein vollständig rekonstruiertes, semantisch gelabeltes 3D-Volumen, das innerhalb von etwa 15 Minuten zum Wissenschaftler am Instrument zurückkehrt.
Praxisbeispiel: Trockenresistenz bei Reben
Ein konkretes Anwendungsbeispiel zeigt die transformative Kraft der Technologie. Forscher untersuchten mithilfe von Mikro-CT-Scans der ALS, wie Rebstöcke auf zellulärer Ebene auf Trockenheit reagieren. Die KI-Pipeline rekonstruiert 3D-Volumen der Stämme und identifiziert automatisch die Xylemgefäße, also die mikroskopischen Wassertransportröhren.
Während dies früher einen Monat Expertenarbeit pro Zeitschritt erforderte, dauert der Prozess nun 15 Minuten. Diese Beschleunigung ermöglicht es erstmals, dynamische biologische Prozesse in Echtzeit zu studieren. Die gewonnenen Erkenntnisse könnten langfristig zur Entwicklung trockentoleranter Nutzpflanzen beitragen.
Open Source als entscheidender Erfolgsfaktor
Nationale Labore arbeiten mit sensiblen Vorpublikationsdaten, die auf sicherer staatlicher Infrastruktur verbleiben müssen. Durch den Open-Source-Ansatz von Meta können die Forscher SAM und DINO herunterladen, anpassen und in eigenen geschützten Umgebungen betreiben. Modelle, die ursprünglich auf natürlichen Bildern trainiert wurden, lassen sich so gezielt für wissenschaftliche Domänen umwidmen.
Mit 60 Forschenden an fünf National Labs arbeitet SYNAPS-I an einer Zukunft, in der Nutzereinrichtungen als intelligente Entdeckungsplattformen fungieren. Künstliche Intelligenz soll hierbei nicht nur schneller verarbeiten, sondern aktiv Hypothesen generieren, nachfolgende Experimente empfehlen und Wissen über Anlagengrenzen hinweg transferieren.
Fazit: Von Tagen zu Momenten
Dario Gil, Under Secretary des US-Energieministeriums, betonte jüngst das disruptive Potenzial dieser Entwicklung. Durch die nahtlose Verknüpfung von KI, Hochleistungsrechnen und Experimentalsystemen ersetzt SYNAPS-I langsame manuelle Schritte durch adaptive, automatisierte Entscheidungen. Die Entdeckungszeit komprimiert sich dabei von Tagen auf wenige Momente.
Die offene Grundlage der Meta KI-Modelle versetzt die Genesis Mission in die Lage, ihre Schlagkraft kontinuierlich auszubauen und wissenschaftliche Durchbrüche über verschiedene Disziplinen hinweg beschleunigt zu realisieren.
Quelle: Meta AI Blog
