Ne Oldu?
NASA ve IBM, Ay araştırmalarında kullanılmak üzere geliştirilen NASA-IBM Lunar Foundation Model adlı yapay zekâ modelini 10 Eylül 2026 tarihinde açık kaynak olarak yayımladı. Ay bilimine özel geliştirilen ilk açık kaynak temel modellerden biri olan sistem, bilim insanlarının farklı görev ve cihazlardan toplanan büyük miktardaki gözlem verisini daha hızlı analiz edebilmesini amaçlıyor.
Model, dokuz farklı cihaz tarafından dört uzay görevi kapsamında toplanan verilerden oluşturulan kapsamlı bir veri kümesi üzerinde eğitildi. Veri kümesinde 30'dan fazla mekânsal olarak hizalanmış veri katmanı bulunuyor. NASA'nın Lunar Reconnaissance Orbiter ve GRAIL görevlerinin yanı sıra Japonya Uzay Araştırma Ajansı JAXA'nın SELENE/Kaguya görevinden elde edilen tamamlayıcı veriler de çalışmaya dahil edildi.
NASA ve IBM, modelle birlikte makine öğrenmesine hazır Ay veri kümelerini ve karşılaştırma testlerini de araştırmacılara açtı. Model Hugging Face üzerinden erişilebilir durumda bulunurken, kod tabanı GitHub üzerinden incelenebiliyor. Sistem ayrıca açık kaynak TerraTorch araç setine entegre edildi.
Modelin öncelikli kullanım alanlarından biri Ay'ın sürekli gölgede kalan bölgelerindeki potansiyel buz yataklarının araştırılması. Bu bölgelerde bulunabilecek buz, gelecekteki Ay görevleri açısından önemli kabul ediliyor. Su ve oksijen kaynağı olarak değerlendirilebilecek buzun aynı zamanda gelecekte Mars görevlerinde kullanılabilecek roket yakıtının üretimine katkı sağlama potansiyeli bulunuyor.
NASA ve IBM tarafından paylaşılan teknik sonuçlara göre model, buz bulunma potansiyeli yüksek bölgelerin belirlenmesinde karşılaştırılan bir yönteme göre hata oranını yüzde 22'ye kadar azaltabildi. Bağlamsal ölçekte gerçekleştirilen krater tespitinde ise karşılaştırılan modele göre yaklaşık yüzde 19 daha yüksek performans gösterirken bunun için eğitim verisinin yarısını kullandı.
Sistemin diğer kullanım alanları arasında Ay'ın volkanik geçmişinin araştırılması ve kraterlerin ayrıntılı biçimde haritalanması bulunuyor. Krater haritaları, Ay'ın jeolojik geçmişini anlamanın yanı sıra gelecekteki görevlerde güvenli iniş bölgelerinin belirlenmesine ve uzun vadeli yüzey altyapısının planlanmasına yardımcı olabilir.
Neden Önemli?
Ay araştırmalarında farklı görevlerden elde edilen görüntüler, haritalar ve jeofizik veriler uzun yıllardır birikiyor. Ancak farklı çözünürlük ve ölçüm yöntemlerine sahip bu verilerin birlikte değerlendirilmesi önemli miktarda bilimsel ve hesaplama çalışması gerektiriyor. NASA-IBM Lunar Foundation Model, farklı veri türlerini ortak bir yapay zekâ modeli altında bir araya getirerek bu süreci kolaylaştırmayı hedefliyor.
Temel model yaklaşımı ayrıca her bilimsel problem için sıfırdan ayrı bir makine öğrenmesi sistemi geliştirme ihtiyacını azaltabilir. Araştırmacılar ortak bir temel modelden başlayarak sistemi krater tespiti, buz araştırması veya volkanik yapıların incelenmesi gibi farklı görevler için uyarlayabilir.
Modelin açık kaynak olarak yayımlanması da bilimsel araştırmalar açısından önemli bir unsur oluşturuyor. Üniversiteler, araştırma kuruluşları ve bağımsız bilim insanları modeli inceleyebilir, farklı veri kümeleri üzerinde test edebilir ve yeni Ay araştırmaları için uyarlayabilir. NASA'nın açıklamasına göre modelle birlikte eğitim verilerinin ve karşılaştırma koleksiyonlarının yayımlanması, çalışmaların yeniden üretilebilir olmasını da destekliyor.
Proje aynı zamanda yapay zekânın bilimsel araştırmalardaki kullanım alanlarının genişlediğini gösteriyor. Büyük dil modellerinin aksine bu sistem, fiziksel dünyaya ilişkin bilimsel gözlem verilerindeki örüntüleri analiz etmek için geliştirildi. NASA ve IBM daha önce Dünya gözlemi, hava durumu ve Güneş araştırmaları gibi alanlarda da Prithvi ailesi kapsamında temel modeller geliştirmişti.
Kimleri Etkiliyor?
Yeni model öncelikle Ay bilimi, gezegen bilimi, uzaktan algılama ve uzay araştırmaları alanlarında çalışan bilim insanlarını etkiliyor. Farklı cihazlardan elde edilen büyük veri kümeleriyle çalışan araştırmacılar, modeli belirli bilimsel problemlere uyarlayabilecek.
NASA'nın Artemis programı ve gelecekte Ay yüzeyinde uzun süreli faaliyet gerçekleştirmeyi planlayan ekipler açısından da modelin üreteceği bilimsel bilgiler önem taşıyabilir. Özellikle güvenli iniş alanlarının değerlendirilmesi, yüzeydeki tehlikelerin belirlenmesi ve potansiyel kaynakların araştırılması gelecekteki görev planlamalarını destekleyebilir.
Üniversiteler ve yapay zekâ araştırmacıları da modelin açık kaynak yapısından yararlanabilecek. Modelin yanı sıra makine öğrenmesine hazır veri kümelerinin ve kod tabanının paylaşılması, Ay verileri üzerinde yeni modeller ve araştırma yöntemleri geliştirilmesini kolaylaştırabilir.
Olası Etkileri
NASA-IBM Lunar Foundation Model'in yaygın biçimde kullanılması, Ay yüzeyinin analizinde manuel olarak gerçekleştirilen bazı işlemlerin hızlanmasını sağlayabilir. Bilim insanları geniş görüntü ve harita koleksiyonlarını tek tek incelemek yerine yapay zekâ tarafından belirlenen bölgeleri ve örüntüleri daha ayrıntılı araştırmaya yönelebilir.
Özellikle potansiyel buz yataklarının daha hassas biçimde belirlenmesi gelecekteki insanlı Ay görevlarının planlanmasını etkileyebilir. Ancak model tarafından belirlenen bölgelerin doğrudan fiziksel kaynak bulunduğu anlamına gelmediği ve sonuçların bilimsel gözlemlerle doğrulanması gerektiği unutulmamalı.
Kraterlerin daha ayrıntılı haritalanması da iniş bölgelerinin değerlendirilmesine katkı sağlayabilir. Ay yüzeyindeki eğimler, kayalar ve kraterler uzay araçları açısından risk oluşturabildiğinden, daha kapsamlı yüzey analizleri görev planlamasında kullanılabilecek ek bilgiler sağlayabilir.
Modelin açık kaynak olması, farklı araştırma ekiplerinin aynı altyapı üzerinde yeni çalışmalar geliştirmesine de olanak yaratabilir. NASA ve IBM'in yaklaşımı başarılı sonuçlar üretirse benzer temel modellerin Mars ve diğer gezegenlere ilişkin büyük bilimsel veri kümelerinde kullanılması için de yeni araştırma alanları oluşabilir.
Gelişme aynı zamanda yapay zekânın bilimsel keşif süreçlerindeki rolünün değişebileceğine işaret ediyor. Yapay zekâ sistemleri yalnızca mevcut verileri sınıflandıran araçlardan, farklı cihaz ve görevlerden gelen gözlemler arasında ilişkiler kurabilen araştırma altyapılarına dönüşebilir. Bunun bilim insanlarının hangi bölgeleri ve hipotezleri öncelikli olarak inceleyeceğine karar vermesini kolaylaştırması beklenebilir.