• 3 min de lectura
Los modelos de Meta reducen el análisis de líneas de luz a 15 minutos
El Lawrence Berkeley Lab y socios del DOE utilizaron SAM 3 de Meta y DINOv3 para convertir un análisis de imágenes que llevaba meses en una canalización de 15 minutos.
Imagen: Hacker News
En el Lawrence Berkeley National Laboratory, el problema de los datos en las líneas de luz modernas ha superado la ciencia manual. El Advanced Light Source (ALS) del laboratorio —una instalación de rayos X del tamaño de un campo de fútbol— forma parte de un sistema más amplio del DOE que ahora produce decenas de petabytes de datos anuales, impulsado por actualizaciones de detectores que han pasado de una imagen cada seis segundos a 100.000 imágenes por segundo.
Ese aumento ha creado un cuello de botella en la segmentación, la etapa del análisis de imágenes que identifica estructuras dentro de las exploraciones científicas sin procesar. Según Meta, ahí es donde el proyecto SYNAPS-I —acrónimo de SYnergistic Neutron And Photon Science – Intelligence— está aplicando dos de sus modelos de código abierto: Segment Anything Model 3 (SAM 3) y DINOv3.
Lanzado en el marco de The Genesis Mission, una iniciativa de la Casa Blanca a finales de 2025 dirigida por el DOE, SYNAPS-I reúne a Argonne, Brookhaven, Oak Ridge y otros laboratorios para acelerar el análisis en ciencia de rayos X y neutrones. El equipo afinó SAM 3 y DINOv3 con datos de imágenes científicas de las líneas de luz del DOE y luego los desplegó en 300 GPU A100 en centros de supercomputación, incluido el NERSC.
La configuración empareja a DINOv3 para identificar estructuras y contexto con SAM 3 para los límites a nivel de píxel. Meta afirma que el resultado es un volumen 3D completamente reconstruido y etiquetado semánticamente que se devuelve al científico en el instrumento en unos 15 minutos.
Recomendado
Equipo alemán acelera la descomposición de PFAS en el agua
Una demostración temprana se centró en vides sometidas a estrés por sequía. Usando tomografías micro-CT del ALS, el sistema reconstruyó volúmenes 3D de los tallos de las vides e identificó automáticamente los vasos del xilema, los tubos que transportan agua a través de la planta. Meta afirma que una tarea que antes requería un mes de anotación experta por cada instante temporal ahora tarda 15 minutos.
Por qué el código abierto es importante para los laboratorios nacionales
Meta sostiene que el enfoque de modelos de código abierto es crucial porque los laboratorios nacionales mantienen datos y modelos de investigación previos a la publicación en infraestructura gubernamental, no en plataformas de nube externas. Eso permite al equipo de SYNAPS-I descargar, afinar y ejecutar los modelos dentro de entornos seguros mientras los adaptan del entrenamiento con imágenes naturales a cargas de trabajo científicas.
El proyecto incluye a 60 investigadores en cinco laboratorios nacionales. En el reciente Trillion Parameter Consortium, el subsecretario del DOE, Dario Gil, describió el objetivo así:
«Al combinar de forma fluida la IA, la computación avanzada y los sistemas experimentales, SYNAPS-I analiza los datos a medida que se producen y guía los experimentos en tiempo real, sustituyendo pasos manuales lentos por toma de decisiones adaptativa y automatizada. Esto comprime el tiempo de descubrimiento de días a instantes y establece un modelo continuo y de auto-mejora de la ciencia que será esencial para realizar todo el potencial de The Genesis Mission.»
Frontier Editor
Dan is our resident futurist, covering electric mobility, space exploration, and the smart home. He's interested in atoms just as much as bits. Whether it's a new battery chemistry, a reusable rocket, or a protocol that finally makes IoT devices talk to each other, Dan breaks down the engineering that pushes humanity forward.
vía Hacker News
