NASA, Artemis programının sonraki aşamalarına hazırlanırken Ay yüzeyini inceleyecek bilim insanlarına yeni araçlar sunmak amacıyla IBM ile ortak bir yapay zekâ çalışması yürüttü. Bu iş birliğinin ürünü olan NASA-IBM Lunar Foundation Model, açık kaynaklı olarak yayımlandı ve Hugging Face üzerinden indirilebilir hâle getirildi.
Birden fazla araştırma görevinde kullanılabilen temel model, özellikle Ay yüzeyinde buz bulunma ihtimali olan bölgeleri tespit etme konusunda öne çıktı. NASA ve IBM, sistemin tahminlerini arazi yapısı, sıcaklık ve diğer çevresel verileri kullanan yayımlanmış bir bilimsel iş akışıyla hazırlanan haritayla karşılaştırdı. Model ayrıca Microsoft tarafından eğitilen ve yüksek çözünürlüklü görüntüleri işlemek için kullanılan SwinV2-B adlı görüntü sistemiyle test edildi. NASA-IBM modeli, bu karşılaştırmada hataları yüzde 23 azalttı. SwinV2-B, birçok görüntü analizi görevinde temel karşılaştırma sistemi olarak kullanıldığı için tercih edildi.
Yeni modelin kraterleri belirleme ve sınıflandırma yeteneği de ölçüldü. Sistem, bu görevde SwinV2-B’den yüzde 19 daha başarılı olurken eğitim için onun kullandığı verinin yarısına ihtiyaç duydu. Modelin becerileri, 5 Ağustos’ta bir SpaceX Falcon 9 roketinin Ay’a çarpmasının ardından gerçek bir olay üzerinden de sınandı. Çarpma görüntüsü sisteme verildiğinde model, mevcut bir kraterle büyük ölçüde örtüşmesine rağmen çarpışma bölgesini ilk denemede yeni bir krater olarak doğru biçimde tanımladı.
Ay’daki keskin gölgeler eğitimi zorlaştırdı
Modelin geliştirilmesindeki önemli sorunlardan biri, Ay görüntülerinin Dünya gözlem verilerinden farklı özellikler taşımasıydı. Dünya atmosferi güneş ışığını dağıtarak gölgeleri ortam ışığıyla dolduruyor ve kenarlarını yumuşatıyor. Ay’daki gölgeler ise son derece keskin ve tamamen karanlık görünüyor. Bu nedenle gölgede kalan pikseller kullanılabilir bilgi taşımıyor. Güneş ışığının farklı zamanlarda değişen açısı da aynı kraterin iki görüntüde birbirinden çok farklı görünmesine yol açabiliyor.
Bilgisayarlı görü modellerinde yaygın biçimde kullanılan geleneksel eğitim yöntemi de Ay verilerinde başarılı olmadı. Bu yöntemde görüntünün bir bölümü kaldırılıyor ve modelden öğrendiği örüntülere dayanarak eksik kısmı tamamlaması isteniyor. Ancak yörüngeden çekilen çok sayıda krater görüntüsünün birbirine benzemesi, sistemin doğru özellikleri öğrenmesini zorlaştırdı.
Araştırma ekibi bu sorunu çözmek için Ay’ı portakal dilimlerini andıran bölümlere ayırdı. Eğitimde kullanılan dilimler ile test için ayrılan dilimler tamamen birbirinden ayrıldı. Böylece modelin aynı veya çok benzer alanlardan yararlanarak yanıltıcı biçimde yüksek sonuçlar üretmesi engellendi ve değerlendirme sürecinde daha tutarlı bir yapı kuruldu.
İki milyondan fazla veri noktası araştırmacılara açıldı
NASA ve IBM, modelle birlikte başka araştırmacıların kendi sistemlerini geliştirmesine imkân tanıyan açık kaynaklı bir veri seti de yayımladı. İlk kez bu kapsamda hazırlanan koleksiyon; NASA’nın Lunar Reconnaissance Orbiter ve Gravity Recovery and Interior Laboratory görevleri ile Japonya’nın Selenological and Engineering Explorer görevinden elde edilen on binlerce görüntüyü ve cihaz verisini içeriyor.
Veri setinin hazırlanması sırasında görüntüler bir ızgara üzerinde düzenlendi ve her görüntü pikseli, modelin işlem sırasında yararlanabileceği diğer veri türleriyle eşleştirildi. Ortaya çıkan, birbiriyle aynı konuma bağlanmış iki milyondan fazla veri noktasına sahip yapı, gelecekte farklı Ay modellerinin eğitilmesi için ortak bir temel sağladı. Böylece çalışma yalnızca mevcut yapay zekâ sistemini değil, sonraki araştırmalarda kullanılabilecek düzenlenmiş bilimsel verileri de erişime açtı.
