버클리랩, SAM 3·DINOv3로 X선·중성자 영상 분석 시간을 한 달에서 15분으로 단축

미 에너지부(DOE) 산하 로렌스버클리국립연구소(Berkeley Lab)가 Meta의 오픈소스 비전 모델 SAM 3(SAM3)와 DINOv3를 300대의 A100 GPU에 배포해, X선·중성자 빔라인 영상을 분석하는 시간을 한 달에서 약 15분으로 줄였다. 이 작업은 버클리랩이 이끄는 다기관 프로젝트 SYNAPS-I(SYnergistic Neutron And Photon Science–Intelligence)의 일환이다.

SAM 3와 DINOv3는 각각 어떤 역할을 하나

두 모델은 서로 보완하는 파이프라인으로 결합됐다. DINOv3는 자기지도학습(self-supervised) 방식의 비전 모델로, 영상 속에 무엇이 있고 어디에 있는지에 대한 전반적인 맥락과 공간적 위치를 먼저 파악한다. 이어서 SAM 3가 목표 개념과 일치하는 개별 대상마다 픽셀 단위로 정밀한 경계를 그린다. SAM과 SAM 3의 구조적 차이는 Segment Anything Model(SAM)이란?에서 자세히 다룬다.

SYNAPS-I 프로젝트

SYNAPS-I는 버클리랩 수석과학자 Alexander Hexemer가 이끌며, Argonne·Brookhaven·Oak Ridge·SLAC 등 미국 국립연구소들이 함께 참여하는 다기관 프로젝트다. 연구팀은 두 모델을 자연 이미지가 아닌 X선 단층촬영(X-ray tomography), 중성자 산란(neutron scattering) 같은 전혀 다른 성격의 과학 영상 데이터에 맞게 미세조정(fine-tuning)했다. 예를 들어 버클리랩의 Advanced Light Source(ALS) 빔라인에서 촬영한 마이크로 CT 스캔으로 포도나무 줄기의 3차원 볼륨을 복원하고, 물 이동 통로인 xylem(물관) 조직을 자동으로 식별하는 데 활용됐다.

왜 중요한가

기존에는 전문가가 한 달가량 수작업으로 라벨링해야 했던 분석 과정이, 이 파이프라인을 통해 데이터 획득부터 의미 있게 라벨링된 3차원 볼륨 재구성까지 약 15분으로 단축됐다. 이는 과학 연구에서 데이터 분석이 병목이 되는 문제를, 범용 목적으로 학습된 오픈소스 비전 모델을 도메인에 맞게 조정하는 방식으로 해결한 사례로 볼 수 있다.

참고

이 프로젝트는 2025년 말 시작된 DOE의 “Genesis Mission” 산하 초기 프로젝트 중 하나로 소개됐다. 정확한 처리 성능, 참여 인력 규모 등 세부 수치는 계속 갱신될 수 있으므로 Meta AI 공식 발표를 참고하는 것을 권장한다.