در دنیایی که آزمایشگاههای علمی هر روز دادههای بیشتری تولید میکنند، سرعت تحلیل به یکی از بزرگترین گلوگاههای پژوهش تبدیل شده است. حالا متا با دو مدل متنباز خود، یعنی SAM 3 و DINOv3, در یکی از مهمترین پروژههای علمی آمریکا نقش پررنگی پیدا کرده است: ماموریت پیدایش یا جنسیس (Genesis Mission).
در همکاری با آزمایشگاه ملی لورنس برکلی این مدلها برای تحلیل سریعتر دادههای تصویربرداری علمی به کار گرفته شدهاند و توانستهاند زمان بررسی برخی دادههای پیچیده را از یک ماه به حدود ۱۵ دقیقه کاهش دهند. این پیشرفت، فقط یک موفقیت فنی نیست؛ بلکه نشانهای از ورود هوش مصنوعی به قلب کشفهای علمی است.
بحران داده در آزمایشگاههای ملی آمریکا
آزمایشگاه ملی برکلی یکی از مهمترین مراکز پژوهشی وزارت انرژی آمریکا است؛ جایی که در حوزههایی مثل فیزیک، شیمی و علم مواد پیشتاز است. یکی از شناختهشدهترین تأسیسات این مرکز، Advanced Light Source (ALS) است؛ مجموعهای در مقیاس یک زمین فوتبال که پرتوهای بسیار قدرتمند X-ray تولید میکند.
اما با ارتقای اخیر تجهیزات، حجم دادهها به شکل چشمگیری افزایش یافته است. امروز این مراکز سالانه دهها پتابایت داده تولید میکنند؛ رقمی که معادل میلیونها گیگابایت اطلاعات است. به زبان ساده، سرعت تولید داده آنقدر بالاست که تحلیل دستی دیگر جواب نمیدهد.
طبق توضیحات Meta، آشکارسازهای جدید از حالتی که هر ۶ ثانیه یک تصویر ثبت میکردند، به سیستمی رسیدهاند که میتواند تا ۱۰۰ هزار تصویر در ثانیه تولید کند. همین جهش، فاصلهای عظیم بین تولید داده و تحلیل آن ایجاد کرده است.
پروژه SYNAPS-I چیست؟
در پاسخ به این چالش، پروژهای با نام SYNAPS-I شکل گرفته است. نام کامل این پروژه ماموریت جنسیس است و یکی از پروژههای مهم زیر چتر ماموریت جنسیس محسوب میشود.
این ابتکار با هدایت آزمایشگاه برکلی و همکاری چند آزمایشگاه ملی دیگر از جمله:
- Argonne National Laboratory
- Brookhaven National Laboratory
- Oak Ridge National Laboratory
- SLAC National Laboratory
طراحی شده تا تحلیل دادههای علمی را از یک فرآیند طولانی و سنگین، به یک موتور کشف آنی تبدیل کند.
تمرکز اصلی این پروژه روی تصویربرداری علمی و بهویژه قطعهبندی تصویر (image segmentation) است؛ همان کاری که در آن، مرز دقیق ساختارهای داخل تصویر مشخص میشود.
چرا قطعهبندی در علوم حیاتی است؟
Segmentation یا بخشبندی تصویری، یکی از مهمترین مراحل تحلیل دادههای تصویری است. در این فرایند، مدل هوش مصنوعی باید بتواند اجزای مختلف یک تصویر را تشخیص دهد و مرز آنها را با دقت بالا مشخص کند.
در علوم پزشکی، این کار برای تشخیص تومور از بافت سالم کاربرد دارد.
در علوم مواد و فیزیک نیز، قطعهبندی کمک میکند ساختارهایی مثل:
- دانههای معدنی
- لایههای نیمهرسانا
- دیواره سلولی
- رگهای گیاهی
بهدرستی شناسایی شوند.
در دادههای X-ray و neutron science، همین کار ساده ظاهری میتواند هفتهها یا حتی ماهها زمان متخصصان را بگیرد. به همین دلیل، خودکارسازی آن با کمک هوش مصنوعی اهمیت زیادی دارد.
SAM 3 و DINOv3 چگونه کار میکنند؟
قلب فنی پروژه SYNAPS-I بر دو مدل متنباز متا بنا شده است:
1. DINOv3
DINOv3 یک مدل بینایی خود نظارتی (self-supervised) است؛ یعنی برای یادگیری، وابسته به برچسبگذاری انسانی نیست. این مدل میتواند الگوهای بصری پیچیده را از داده خام استخراج کند و بفهمد هر بخش از تصویر چه معنایی دارد.
2. SAM 3
SAM 3 یا Segment Anything Model 3 وظیفه دارد مرزهای دقیق اشیاء را در تصویر ترسیم کند. اگر DINOv3 به مدل میگوید «چه چیزی را میبیند»، SAM 3 میگوید «کجای تصویر را باید دقیقاً جدا کند».
ترکیب این دو مدل باعث میشود سیستم هم درک معنایی از تصویر داشته باشد و هم مرزبندی پیکسلی دقیق انجام دهد.
نتیجه شگفتانگیز: از یک ماه به ۱۵ دقیقه
تیم SYNAPS-I این مدلها را روی دادههای تصویربرداری علمی تنظیم دقیق کرد و سپس آنها را روی ۳۰۰ پردازنده گرافیکی A100 در زیرساختهای محاسباتی ملی، از جمله NERSC، اجرا کرد.
نتیجه این بوده است که یک حجم سهبعدی پیچیده، پس از پردازش، بهصورت برچسبگذاریشده و آماده تحلیل به پژوهشگر بازمیگردد؛ آن هم در حالی که آزمایش هنوز در حال اجراست.
زمان کل این فرآیند؟
حدود ۱۵ دقیقه.
این در مقایسه با روال سنتی که ممکن بود یک ماه کار تخصصی برای هر مجموعه داده طول بکشد، یک جهش بسیار مهم در علم دادههای تصویری محسوب میشود.
کاربرد واقعی: بررسی مقاومت انگور در برابر خشکسالی
یکی از نمونههای عملی این فناوری، مطالعه مقاومت درخت انگور در برابر خشکسالی بوده است. پژوهشگران با استفاده از micro-CT scan ساقه انگور، توانستند با کمک این خط لوله هوش مصنوعی، ساختارهای داخلی گیاه را بازسازی کنند.
مدلها بهطور خودکار رگهای xylem را شناسایی کردند؛ همان لولههای میکروسکوپی که وظیفه انتقال آب در گیاه را برعهده دارند. با ردیابی تغییرات این رگها در طول خشکسالی، دانشمندان میتوانند بهتر بفهمند گیاه چگونه به کمآبی واکنش نشان میدهد.
این موضوع میتواند در آینده به توسعه محصولات کشاورزی مقاومتر در برابر تغییرات اقلیمی کمک کند.
چرا متنباز بودن مدلهای متا مهم است؟
یکی از مهمترین نکات این پروژه، متنباز بودن مدلهای متا است. آزمایشگاههای ملی آمریکا معمولاً با دادههای حساس کار میکنند و نمیتوانند بهسادگی از زیرساختهای ابری عمومی استفاده کنند.
در چنین شرایطی، متنباز بودن مزیت بزرگی دارد، چون پژوهشگران میتوانند مدلها را:
- دانلود کنند
- روی زیرساخت امن خودشان اجرا کنند
- آنها را برای دادههای تخصصی تنظیم دقیق کنند
- بدون اتکا به سرویسهای ابری عمومی از آنها استفاده کنند
این موضوع برای پژوهشهای دولتی و امنیتی، یک عامل کلیدی است.
Genesis Mission چه معنایی برای آینده علم دارد؟
Genesis Mission فقط یک پروژه آزمایشگاهی نیست؛ بلکه بخشی از یک مسیر بزرگتر برای استفاده از هوش مصنوعی در خدمت کشفهای علمی است. هدف این ابتکار، تبدیل تحلیل داده از یک مرحله کند و فرساینده به یک فرآیند بلادرنگ و هوشمند است.
اگر این مسیر ادامه پیدا کند، میتوان انتظار داشت که در آینده نزدیک:
- تحلیل دادههای علمی بسیار سریعتر شود
- کشف الگوهای پنهان در تصاویر پیچیده سادهتر شود
- همکاری بین مدلهای متنباز و مراکز پژوهشی عمیقتر شود
- هوش مصنوعی به یک ابزار استاندارد در آزمایشگاهها تبدیل شود
جمعبندی
همکاری متا با آزمایشگاه ملی برکلی و پروژه SYNAPS-I نشان میدهد که هوش مصنوعی متنباز فقط برای چتباتها و تولید محتوا نیست؛ بلکه میتواند در قلب پژوهشهای علمی نیز تحول ایجاد کند.
ترکیب SAM 3 و DINOv3 در تحلیل دادههای X-ray، به پژوهشگران کمک کرده تا زمان بررسی را از یک ماه به ۱۵ دقیقه کاهش دهند. این پیشرفت، نمونهای روشن از آیندهای است که در آن، هوش مصنوعی به شریک اصلی دانشمندان در اکتشافات علمی تبدیل میشود.
