과학 실험 장비가 빨라지면서 병목은 측정이 아니라 해석으로 이동했다. Meta가 소개한 Berkeley Lab의 Genesis Mission 초기 프로젝트는 이 변화를 잘 보여준다. DOE light and neutron source 시설은 매년 tens of petabytes 규모의 데이터를 만들고, detector는 과거 6초에 1장을 찍던 수준에서 초당 100,000장까지 올라갔다. 사람이 이미지를 보며 분석하던 방식으로는 속도를 따라가기 어렵다.

프로젝트 이름은 SYNAPS-I다. Lawrence Berkeley National Laboratory가 주도하고, 다섯 national lab의 연구자 60명이 참여한다. 목표는 Advanced Light Source 같은 beamline을 단순한 측정 장비가 아니라 intelligent discovery platform으로 바꾸는 것이다. 실험 중 생성되는 이미지를 AI가 바로 분할하고, 구조를 인식하고, 다음 실험 조건을 추천하는 흐름이다. Meta는 여기에 Segment Anything 계열의 SAM 3와 self-supervised vision model DINOv3가 쓰인다고 설명했다.

문제의 규모가 크다. Advanced Light Source는 축구장 크기의 시설로, X-ray beam을 이용해 물질을 원자·분자 수준부터 식물까지 관찰한다. 시설 upgrade로 resolution과 속도가 올라가면서 데이터량은 크게 늘었다. 수작업 분석은 backlog를 만들고, 실험 중 바로 의사결정을 내려야 하는 순간에는 더 큰 제약이 된다. SYNAPS-I가 노리는 지점은 AI가 이미지에서 관심 영역을 잡고, 패턴을 추출하고, beamline 사이의 지식을 이전해 한 시설의 발견이 다른 시설의 실험 설계에도 반영되게 하는 것이다.

Meta 입장에서는 open source vision model의 과학 적용 사례다. 연구 현장 입장에서는 foundation model이 논문 그림을 만드는 도구를 넘어 실험 loop 안으로 들어오는 장면이다. 다만 결과를 과장할 단계는 아니다. 현재 기사에서 확인되는 것은 첫 wave 프로젝트의 방향과 참여 규모, 그리고 데이터 병목의 수치다. 앞으로 봐야 할 지점은 실시간 실험 제어에서 오류 허용 범위를 어떻게 정할지, SAM 3와 DINOv3가 다른 beamline과 재료 영역으로 얼마나 일반화되는지다.

#sam-3

초당 100,000장 실험 데이터, Meta 모델이 DOE beamline 병목으로