Kısaca

NASA ve IBM, uzay araçlarının onlarca yıldır topladığı dağınık Ay gözlem verilerini çözümleyip yüzey analizlerini hızlandırmak amacıyla Lunar Foundation Model adlı açık kaynaklı yapay zekâ modelini tanıttı.

NASA ve IBM araştırmacıları, onlarca yıllık uzay görevlerinden elde edilen verileri birleştirerek Ay yüzeyini ayrıntılı biçimde haritalandırmak üzere Lunar Foundation Model (LFM) adlı yeni bir yapay zekâ sistemi geliştirdi. 10 Eylül tarihinde yayımlanan teknik makaleyle duyurulan model, bilim insanlarının kullanımına sunulmak üzere açık kaynaklı yapay zekâ deposu Hugging Face üzerinde paylaşıldı. Geliştirilen açık kaynaklı omurga model, araştırmacıların sıfırdan model eğitmek yerine farklı keşif projelerine uygun özel ince ayarlar yapabilmesine olanak tanıyor.

Geçmişten bu yana Ay yörüngesinde görev yapan robotik araçlar, yüzeye dair devasa miktarda veri toplamış olsa da bu kayıtlar farklı sensörler nedeniyle dağınık bir yapıda kaldı. Yüksek çözünürlüklü optik kameralar, lazer altimetreler, radar yansıma araçları ve element yoğunluğunu ölçen spektrometrelerden gelen ölçümlerin bir araya getirilmesi yoğun iş gücü ve yüksek işlem gücü gerektiriyordu. Bu veriler geleneksel yöntemlerle incelenirken çoğunlukla genel amaçlı fotoğraf tanıma görevleri için 2022 yılında geliştirilen SwinV2-B gibi sınırlı dönüştürücü modellerden yararlanılıyordu. Bu modeller farklı çözünürlüklerdeki ve farklı açılardan alınan verileri bütüncül bir biçimde analiz etmekte yetersiz kalıyordu.

NASA'nın Lunar Reconnaissance Orbiter aracı ve diğer uzay araçları, piksel başına 100 metrelik geniş bölgesel haritalardan piksel başına 1 metrelik yüzey taramalarına kadar çok farklı ölçeklerde ölçüm topluyor. Ay'da bir atmosfer bulunmaması sebebiyle oluşan sert güneş ışığı açıları ve yanıltıcı derin gölgeler de gözlemleri işlemeyi zorlaştırıyordu. Araştırmacılar bu sorunu aşmak için SomBench adını verdikleri ve yaklaşık 2 milyon örtüşen harita parçasından oluşan katmanlı bir referans veri seti hazırladı. Sistem, verileri hizalanmış izler halinde düzenleyerek farklı açılardan veya çözünürlüklerden alınan görüntülerin aynı harita parçası altında birleşmesini sağladı. Modelin mimarisine doğrudan güneş açıları ve uzay aracı konumlarına dair üstveriler eklenerek yapay zekânın gölgelere aldanmadan doğrudan arazi şekillerini tanıması sağlandı. Eğitim sürecinde ise verilerin bir kısmının gizlendiği ve modelin eksik bilgileri tahmin ettiği maskelenmiş belirteç öğrenimi yöntemi kullanıldı.

Yapılan performans değerlendirmelerinde yeni model, test edilen dört temel görevde güçlü sonuçlar ortaya koydu. Krater tespitinde SwinV2-B modeline kıyasla yarı yarıya daha az eğitim etiketi kullanılmasına rağmen yüzde 19'a yakın daha yüksek performans elde edildi. Ay tozu ve kayaç tabakası olan regolitin üst bir metrelik kısmındaki kutup buzu potansiyeli tahmininde ise hata oranları yüzde 22'ye varan oranda azaldı. Model ayrıca metre ölçeğindeki krater haritalama ve nadir görülen volkanik yer şekillerinin tespitinde de önde gelen özel modellerle rekabet edebilir seviyeye ulaştı. Araştırmacılar, düşük dereceli uyarlama (LoRA) gibi hafif yöntemlerle modelin devasa bilgi işlem maliyetleri olmadan özelleştirilebileceğini belirtti.

Araştırmacılar yaptıkları açıklamada, sistemin doğrudan fiziksel ölçümlerin yerini almadığını, bir örüntü tanıma yardımcısı olarak tasarlandığını kaydetti. Bilim insanlarının sistemi ilk aşamada temel uzaktan algılama görevlerinde omurga model olarak kullanması planlanıyor. Sistemin sonraki aşamalarda düzensiz volkanik yapılar olarak bilinen düzensiz deniz çökeltilerinin sınıflandırılması ve güvenli iniş sahalarının belirlenmesi gibi görevler için optimize edilmesi hedefleniyor.

Neden önemli?Açık kaynak olarak sunulan model, gelecekteki Ay görevlerinde güvenli iniş bölgelerinin belirlenmesini ve uzun vadeli üsler için kritik olan kutup buzu kaynaklarının tespitini kolaylaştıracak.

Şu ana kadar bildiklerimiz

  • NASA ve IBM tarafından geliştirilen Lunar Foundation Model (LFM), Hugging Face üzerinden açık kaynaklı olarak araştırmacıların erişimine sunuldu.
  • Modelin eğitimi için iki milyona yakın örtüşen harita parçasından oluşan SomBench adlı çok katmanlı referans veri seti hazırlandı.
  • Krater tespitinde SwinV2-B modeline göre yüzde 19 daha yüksek başarı gösteren model, kutup buzu belirleme hatalarını yüzde 22'ye varan oranda azalttı.

Cevabı beklenen sorular

  • Açık kaynaklı modelin araştırmacılar tarafından yapılacak ince ayarlar sonrasında hangi somut Ay iniş görevlerinde doğrudan kullanılacağı henüz açıklanmadı.
  • Modelin yüzey altı su buzu tahminlerinin gelecekteki doğrudan fiziksel sondaj ve ölçümlerle ne derece uyuşacağı bilinmiyor.