Meta FAIR setzt sich für offene Wissenschaft ein: Neue Open-Source-Modelle und bahnbrechende Forschung
Das Team von Metas Fundamental AI Research (FAIR) stellt sein Engagement für offene Wissenschaft weiterhin unter Beweis, indem es im Laufe der Jahre 2024 und 2025 eine Reihe neuer Open-Source-Modelle, Datensätze und Forschungsartefakte veröffentlicht. Diese Veröffentlichungen betreffen Schlüsselbereiche wie Wahrnehmung, Lokalisierung, Schlussfolgern, Sprachverständnis, verkörperte Agenten sowie Robustheit und Sicherheit in KI-Systemen. Durch die frühzeitige gemeinsame Nutzung von Forschungsmaterialien unterstützt FAIR die breitere wissenschaftliche Gemeinschaft und ermöglicht schnellere Fortschritte im Bereich der künstlichen Intelligenz.
Open Molecules 2025 (OMol25) Dataset
Open Molecules 2025 (OMol25) ist ein umfangreicher Datensatz mit Ergebnissen aus Berechnungen der Dichtefunktionaltheorie (DFT), der entwickelt wurde, um Durchbrüche in der computergestützten Chemie und Materialwissenschaft zu unterstützen. Dieser umfangreiche Datensatz entstand dank mehr als 6 Milliarden Rechenstunden und umfasst die Ergebnisse von etwa 100 Millionen quantenmechanischen Berechnungen aus vier zentralen wissenschaftlichen Bereichen. OMol25 erweitert die Menge der verfügbaren Daten zur Modellierung atomarer Wechselwirkungen drastisch und ermöglicht dadurch schnellere Entwicklungszyklen für neue Medikamente, Batterietechnologien, Lösungen zur Energiespeicherung und Strategien zur Eindämmung des Klimawandels. Laut den Kooperationspartnern vom Lawrence Berkeley National Laboratory soll dieses Projekt „die Art und Weise, wie Menschen computergestützte Chemie betreiben, drastisch verändern“.
Adjoint Sampling: Generative Modellierung ohne Daten
Die Methode Adjoint Sampling bietet einen skalierbaren Ansatz für das Training generativer Modelle, ohne dass große Datensätze erforderlich sind. Anstatt aus vorhandenen Datenmustern zu lernen, verbessert dieser Ansatz Samples iterativ auf Grundlage skalarer Belohnungssignale. Das ist besonders relevant in Situationen, in denen Trainingsdaten knapp oder überhaupt nicht verfügbar sind. Zu den potenziellen Anwendungen gehören die Feinabstimmung generativer Modelle für Bilder und Videos oder das Sampling aus grundlegenden physikalischen oder chemischen Modellen ausschließlich mithilfe belohnungsbasierter Rückmeldungen.
Zusammenarbeit und ihre Auswirkungen
Die Arbeit von Meta FAIR baut auf der Zusammenarbeit mit führenden Institutionen wie dem Lawrence Berkeley National Laboratory, der Princeton University, der Genentech/Roche Group, der Stanford University, der University of Cambridge, der Carnegie Mellon University, der NYU, dem Los Alamos National Laboratory und der UC Berkeley auf. Die Forschung wird außerdem auf neue Klassen wie Polymere ausgeweitet, und zwar in Zusammenarbeit mit Partnern des Lawrence Livermore National Laboratory. Diese Kooperationen ermöglichen die Entwicklung fortschrittlicher Werkzeuge und Methoden, die die Grenzen der aktuellen Forschung im Bereich der künstlichen Intelligenz und ihrer Anwendungen in der Wissenschaft erweitern.
FAIR-Initiativen im Bereich der offenen Wissenschaft
Meta FAIR setzt seine Tradition fort, Open-Source-Forschungsartefakte in mehreren Bereichen zu veröffentlichen. Im Bereich der Molekular- und Materialwissenschaft bietet das Unternehmen neben dem OMol25-DFT-Datensatz auch das UMA-Modell und verschiedene Projekte an, die in Zusammenarbeit mit nationalen Laboratorien umgesetzt wurden. Im Bereich der Wahrnehmung wurde das Segment Anything Model auf Version 2.1 (SAM 2.1) aktualisiert, die eine verbesserte Segmentierung für Bilder und Videos ermöglicht. Für die Sprachverarbeitung wurden LLMs mit Mehrtoken-Vorhersage sowie die multimodalen Chameleon-Modelle entwickelt. Im Bereich Robustheit und Sicherheit wurden Meta Video Seal, ein Rahmenwerk für Wasserzeichen, und das Omni Seal Bench Leaderboard vorgestellt. Für die Robotik entwickelte FAIR außerdem das PARTNR-Framework und den dazugehörigen Datensatz für die Zusammenarbeit zwischen Mensch und Roboter. Alle diese Ressourcen werden unter verschiedenen offenen Lizenzen veröffentlicht, um ihre breite Nutzung durch Forschende auf der ganzen Welt zu fördern. Meta betont, dass die offene Bereitstellung dieser Werkzeuge die Zusammenarbeit unterstützen und den Fortschritt hin zu fortgeschrittener maschineller Intelligenz beschleunigen sowie verantwortungsvolle Innovationen in Wissenschaft und Technologie fördern wird.
So erhalten Sie Zugang
Forschende können Datensätze wie OMol25 direkt über den KI-Blog von Meta oder das Forschungsportal herunterladen. Darüber hinaus stehen weitere Codes und Frameworks zur Verfügung – beispielsweise die SAM Developer Suite oder Video Seal – zusammen mit Dokumentationen und Demo-Oberflächen für schnelle Experimente. Mit diesem Ansatz stellt Meta sicher, dass ihre Forschung nicht nur offen, sondern auch für die globale Forschungsgemeinschaft leicht zugänglich und nutzbar ist. Insgesamt stellen die neuesten Open-Source-Projekte von Meta FAIR einen bedeutenden Schritt sowohl in der KI-gestützten wissenschaftlichen Forschung als auch in der Grundlagenforschung zur maschinellen Intelligenz dar. Sie bieten beispiellose Ressourcen für die molekulare Modellierung sowie robuste Werkzeuge, die von der Wahrnehmung bis zur Robotik reichen – und das alles frei zugänglich, um globale Innovationen und den wissenschaftlichen Fortschritt zu beschleunigen.
