Du sitzt vor einem Stapel hochauflösender Fotos – Tausende. Jedes Bild ist randvoll mit Details, aber du musst bestimmte Strukturen finden und markieren. Was früher mit Filzstift auf einem Ausdruck erledigt wurde, passiert heute am Bildschirm: Linien ziehen, Flächen umranden, Objekte identifizieren. Mühselige Handarbeit. Besonders wenn Bilder aus wissenschaftlichen Experimenten stammen, die pro Sekunde Zehntausende Aufnahmen produzieren. In der Forschung ist die Datenflut längst zur größten Hürde geworden. Hier setzen zwei Modelle von Meta an: SAM und DINO. Sie stehen im Zentrum eines ambitionierten KI-Projekts der US-Regierung, der Genesis Mission.
Die Lawrence Berkeley National Laboratory betreibt Anlagen wie die Advanced Light Source (ALS) – so groß wie ein Fußballfeld, mit extrem hellen Röntgenstrahlen. Forscher untersuchen damit Materialien bis auf die atomare Ebene: Halbleiterschichten, Pflanzenzellen, chemische Reaktionen in Echtzeit. Die Beamlines dieser Anlage produzieren große Datenmengen. Durch Modernisierungen sind die Messgeräte schneller und präziser geworden, die Datenmengen stark gestiegen. Früher entstand ein Bild alle sechs Sekunden. Heute sind es bis zu 100.000 Bilder pro Sekunde. Die Labore des DOE erzeugen jährlich mehrere Petabyte an Daten – Millionen Gigabyte, etwa zwei Millionen Stunden HD-Videostreaming. Die Menge wächst weiter.
Das Problem liegt nicht allein im Volumen, sondern in der Analyse. Wissenschaftliche Bilder sind keine simplen Schnappschüsse. Sie zeigen komplexe, graustufige Strukturen, in denen Experten mühsam einzelne Bereiche identifizieren müssen – Segmentierung genannt. In der Bildverarbeitung macht Segmentierung aus einem Pixelhaufen eine sinnvolle Karte. In der Medizin unterscheidet sie Tumore von gesundem Gewebe, in der autonomen Fahrzeugtechnik Fußgänger vom Asphalt. In der Wissenschaft ist sie der Schlüssel zu einer verständlichen Karte von Zellwänden, Mineralkörnern oder Halbleiterschichten. Manuelle Segmentierung ist zeitaufwendig, fehleranfällig und schwer zu skalieren.
Die Genesis Mission greift dieses Problem auf. Ende 2025 startete das Weiße Haus eine nationale Initiative, um wissenschaftliche Entdeckungen mit Künstlicher Intelligenz zu beschleunigen. Das Energieministerium übernahm die Führung. Eines der ersten Projekte heißt SYNAPS-I. Dahinter steht ein Verbund von fünf nationalen Laboren: Berkeley, Argonne, Brookhaven, Oak Ridge und SLAC. Ihr Ziel: die Datenanalyse in der Röntgen- und Neutronenforschung von einem monatelangen Flaschenhals in eine Echtzeitanalyse verwandeln. Kern dieser Plattform sind zwei Open-Source-Modelle von Meta: Segment Anything Model 3 (SAM 3) und DINOv3.
Um ihre Funktionsweise zu verstehen: DINOv3 ist ein selbstüberwachtes Vision-Modell. Es lernt visuelle Muster aus Rohbildern, ohne dass Menschen die Bilder vorher kennzeichnen müssen. Es erfasst, welche verschiedenen Strukturen vorkommen und wo sie sind. SAM zeichnet präzise Grenzen um einzelne Objekte. DINO erkennt eine Zelle oder ein Mineral, SAM malt die exakte Umrandung. Zusammen ergänzen sich die Modelle: SAM liefert pixelgenaue Konturen, DINO den globalen Kontext zur Einordnung.
Das SYNAPS-I-Team hat beide Modelle mit wissenschaftlichen Bilddaten aus den DOE-Beamlines feinjustiert und auf 300 A100-GPUs verteilt. Das Ergebnis: Ein vollständig rekonstruiertes, semantisch beschriftetes 3D-Volumen wird in etwa 15 Minuten an den Wissenschaftler zurückgegeben, der noch am Experiment steht. Früher dauerte das einen Monat pro Zeitpunkt. Jetzt passiert es während das Experiment läuft. Das ermöglicht neue Forschungsansätze. Ergebnisse in Echtzeit erlauben dynamische Anpassungen. Forscher müssen nicht mehr wochenlang warten.
Ein Beispiel ist die Untersuchung von Traubenreben unter Trockenstress. Landwirtschaftliche Nutzpflanzen leiden zunehmend unter Dürreperioden – eine Herausforderung des Klimawandels. Wissenschaftler wollen verstehen, wie Pflanzen auf zellulärer Ebene reagieren, um widerstandsfähigere Sorten zu züchten. Mit Mikro-CT-Scans an der Advanced Light Source hat das Team 3D-Volumen von Rebensprossen rekonstruiert. Die KI identifiziert automatisch die Xylem-Gefäße – mikroskopisch kleine Röhren, die Wasser transportieren. Hydratisierte Gefäße werden in Cyan dargestellt, ausgetrocknete in dunklem Lila. Früher benötigte ein Experte einen Monat für die manuelle Analyse eines Bildes. Jetzt liefert die KI Ergebnisse in 15 Minuten. Forscher können dynamische Prozesse wie das Austrocknen der Gefäße in Echtzeit verfolgen und Rückschlüsse für die Züchtung dürreresistenter Pflanzen ziehen.
Warum ist Open Source entscheidend? Die nationalen Labore arbeiten mit hochsensiblen, vor Veröffentlichung geschützten Forschungsdaten. Diese Daten dürfen nicht auf externe Cloud-Dienste ausgelagert werden. Alles muss auf sicherer Regierungsinfrastruktur verarbeitet werden. Meta veröffentlicht SAM und DINO als Open Source, sodass Organisationen die Modelle herunterladen, anpassen und in ihrer eigenen Umgebung einsetzen können. Die SYNAPS-I-Wissenschaftler haben das getan. Sie haben Modelle, die ursprünglich auf Alltagsbildern trainiert wurden – Katzen, Autos, Landschaften – auf wissenschaftliche Domänen übertragen. Das erfordert kein teures Lizenzmodell, keine Abhängigkeit von externen Anbietern. Stattdessen entsteht ein Ökosystem, in dem Labore Modelle teilen, verbessern und gemeinsam nutzen.
Mit 60 Forschern über fünf Labore hinweg arbeitet SYNAPS-I daran, die Benutzeranlagen in intelligente Analyseplattformen zu verwandeln. Die Vision reicht über Bildsegmentierung hinaus. Künstliche Intelligenz soll Daten schneller verarbeiten, Wissenschaftler bei der Hypothesenbildung unterstützen, das nächste Experiment vorschlagen und Erkenntnisse zwischen verschiedenen Einrichtungen übertragen. Ein Durchbruch an einer Beamline soll sofort Forschern an allen Laboren zugutekommen. Das ist das Ziel der Genesis Mission: KI als Beschleuniger für nationale Prioritäten – Klimaresilienz, Energieversorgung, medizinische Forschung.
Auf der Trillion Parameter Conference betonte DOE-Unterstaatssekretär Dario Gil die Bedeutung des Projekts: „Indem wir KI, Hochleistungsrechnen und experimentelle Systeme nahtlos kombinieren, analysiert SYNAPS-I Daten in dem Moment, in dem sie entstehen, und steuert Experimente in Echtzeit. Langsame manuelle Schritte werden durch adaptive, automatisierte Entscheidungsfindung ersetzt. Das verkürzt die Entdeckungszeit von Tagen auf Augenblicke und etabliert ein kontinuierliches, selbstverbesserndes Modell der Wissenschaft, das essenziell sein wird, um das volle Potenzial der Genesis Mission auszuschöpfen.“
Wissenschaftler müssen nicht mehr monatelang auf Auswertungen warten. Experimente können dynamisch gesteuert werden. Open-Source-Modelle wie SAM und DINO werden zu Werkzeugen, die grundlegende Erkenntnisse beschleunigen. Das ist keine Übertreibung, sondern der aktuelle Stand. KI ist kein Selbstzweck, sondern ein Werkzeug gegen die Datenflut. Offen und anpassbar kann es die Forschung langfristig verändern.
Quelle: ai.meta.com
