NASA ve IBM, Ay Verilerini Analiz Eden Yapay Zeka Modeli Geliştirdi

NASA ve IBM, Ay yüzeyinden elde edilen büyük miktardaki veriyi daha hızlı incelemeye yardımcı olacak açık kaynaklı bir yapay zeka modeli geliştirdi. Sistem; su buzu, kraterler ve volkanik oluşumlar gibi farklı yüzey unsurlarını belirlemek için tasarlandı. Model, özellikle Ay Yörünge Keşif Aracı’ndan (LRO) gelen petabaytlarca verinin işlenmesini kolaylaştırmayı hedefliyor.

Model yalnızca yazılım koduyla sınırlı kalmıyor. Yapay zekanın eğitilmesinde kullanılan veri seti de araştırmacıların erişimine açıldı. Kullanıcılar modeli Hugging Face üzerinden inceleyebilirken, kod tabanına GitHub aracılığıyla ulaşabiliyor. Çalışma, afet izleme ve iklim tahmini gibi farklı alanlarda kullanılan Prithvi model ailesi içinde konumlandırılıyor.

NASA ile IBM’in 60 yılı aşan ortaklığı kapsamında hazırlanan proje, uzay araştırmalarında açık veri ve yapay zeka kullanımını bir araya getiriyor. Ay görevlerinden gelen ölçümlerin sayısı arttıkça, verilerin insan gücüyle tek tek incelenmesi daha fazla zaman alıyor. Bu nedenle otomatik sınıflandırma ve yüzey analizi, araştırmacıların belirli bölgeleri daha kısa sürede değerlendirmesine yardımcı olabilir.

Kalıcı gölgeli bölgelerde su buzu aranıyor

Ay’ın eksen eğikliği, bazı yüzey bölgelerinin sürekli gölgede kalmasına neden oluyor. Ay’da atmosfer bulunmadığı için bu alanlar doğrudan güneş ışığı almıyor ve tamamen karanlık kalabiliyor. Kalıcı gölgeli bölgelerde bulunabilecek su buzunu uzaktan algılama verileriyle saptamak ise bu koşullar nedeniyle oldukça zorlaşıyor.

IBM mühendisleri, modelin bu bölgeleri daha düzenli inceleyebilmesi için Orange Wedge adı verilen bir yöntem kullandı. Yöntem, Ay yüzeyini parçalara ayırarak farklı bölgelerin belirli bir düzen içinde değerlendirilmesini sağlıyor. Böylece yapay zeka, yüzey verilerindeki farklılıkları daha sistematik biçimde karşılaştırabiliyor.

Paylaşılan sonuçlara göre model, su buzu tespitinde önceki modele kıyasla hata payını yüzde 22 azalttı. Ay’da su kaynaklarının bulunması, gelecekte yürütülebilecek araştırma görevleri ve kurulması planlanabilecek üsler açısından önem taşıyor. Bununla birlikte model, doğrudan bir üs projesi sunmuyor. Sağladığı katkı, su buzu aramalarında kullanılan verilerin daha hızlı ve isabetli biçimde analiz edilmesiyle sınırlı.

Kraterleri ve volkanik yapıları da ayırt edebiliyor

Yapay zeka modeli, Ay yüzeyindeki kraterleri 1 metreye kadar ayrıntıyla ayırt edebiliyor. Geniş alanlar üzerinde yapılan testlerde sistem, mevcut yapay zeka modellerine göre yüzde 19 daha iyi sonuç verdi. Bu performansa, karşılaştırılan modellerin kullandığı eğitim verisinin yarısıyla ulaştığı belirtildi.

Modelin başarısı yalnızca uzun süredir bilinen kraterlerin belirlenmesiyle sınanmadı. 5 Ağustos 2026’da bir SpaceX roketinin Ay yüzeyine çarpması sonucunda oluşan yeni krater de test sürecinde kullanıldı. Yeni oluşum, eski bir kraterin üzerine denk gelmesine rağmen sistem tarafından ilk denemede tespit edildi. Bu örnek, yeni yüzey değişikliklerinin mevcut oluşumlarla üst üste geldiği durumlarda otomatik analiz araçlarının sağlayabileceği katkıyı gösteriyor.

Sistem, Ay’ın geçmişteki volkanik hareketleri ve sıcaklık değişimleri hakkında bilgi sağlayabilecek özel yüzey oluşumlarını da belirliyor. Bu kategoride modelin yüzde 3 daha yüksek doğruluk sunduğu aktarıldı. Böylece çalışma, yalnızca güncel yüzey haritalarının hazırlanmasına değil, Ay’ın jeolojik geçmişinin araştırılmasına da destek verebilecek bir araç sunuyor.

Dokuz enstrümandan gelen veriler bir araya getirildi

NASA ve IBM tarafından paylaşılan veri setinde dokuz farklı enstrümandan elde edilen 30’dan fazla veri katmanı bulunuyor. Setin kaynakları arasında NASA’nın LRO ve GRAIL görevlerinden alınan ölçümler ile JAXA’nın SELENE/Kaguya misyonundan elde edilen bilgiler yer alıyor.

Veri setinde 2 milyondan fazla veri noktası bulunması, Ay yüzeyinin farklı ölçüm türleri birlikte değerlendirilerek incelenmesine olanak tanıyor. Araştırmacılar, tek bir görüntüye bağlı kalmak yerine çeşitli görevlerden gelen bilgileri aynı analiz sürecinde karşılaştırabiliyor. Bu yaklaşım, yüzeydeki yapıların tespit edilmesi ve sınıflandırılması sırasında daha geniş bir veri tabanı sağlıyor.

Modelin ve eğitim verilerinin açık biçimde paylaşılması, Ay araştırmalarında kullanılan yapay zeka araçlarına erişimi genişletebilir. Araştırmacılar sistemi yeni yüzey verileriyle sınayabilir, farklı oluşumları tanımak üzere geliştirebilir ve sonuçları başka çalışmalarla karşılaştırabilir. NASA ile IBM’in projesi, uzay görevlerinin ürettiği büyük veri kümelerinin bilimsel araştırmalarda daha kullanılabilir hale getirilmesine yönelik bir örnek oluşturuyor.