NASA-IBM Lunar Foundation Model nedir ve ne yapıyor?
1 metrelik çözünürlükte 1 milyonu aşkın uydu görüntüsü ve 100 metre çözünürlükte yaklaşık 964.000 multispektral fotoğraf — NASA ve IBM, toplamda 2 milyon görüntü tile'ı ile eğitilmiş bir yapay zeka modelini Hugging Face üzerinde açık kaynak olarak yayınladı. Lunar Foundation Model adını taşıyan bu sistem, 17 yıllık Lunar Reconnaissance Orbiter (LRO) verisiyle eğitildi ve ay araştırmacılarının krater haritalaması, buz tespiti ve volkanik analiz gibi görevleri özel algoritmalar geliştirmeden gerçekleştirmesini mümkün kılıyor.
Model, geleneksel makine öğrenmesi yaklaşımlarından farklı olarak foundation model mimarisini kullanıyor. Bu mimari, büyük bir temel veriden eğitilen ağırlıkları farklı görevlere uyarlamaya dayanıyor. Lunar Foundation Model'in özgün yanı, farklı modalitelerdeki (kamera, multispektral), farklı açılardaki ve farklı ölçeklerdeki ay gözlemlerini tek bir yapay zeka sisteminde birleştiren ilk model olması. IBM Research'e göre, modelin alt yapısı IBM ve Avrupa Uzay Ajansı'nın (ESA) Dünya gözlem yapay zekası TerraMind'dan türetilmiş.
Araştırmacılar, modelin tam kodunu GitHub üzerinden erişime açarken, eğitilmiş ağırlıkları Hugging Face'te barındırıyor. Model üç ana görevde test edildi: krater tespiti, genç volkanik özelliklerin tanınması ve ay kutupları yakınındaki buz kararlılığının tahmin edilmesi.
Performans kazanımları kontrollü testlerde
Lunar Foundation Model, buz tespiti hata oranını SwinV2 transformer modeline kıyasla %22 azalttı. Krater haritalaması için 100 metrelik çözünürlükte çalışırken, göreve özel eğitilmiş Swin modelinden %19 daha iyi performans gösterdi — üstelik yarı oranında eğitim verisi kullanarak. Bu sonuçlar kontrollü laboratuvar ortamında elde edilmiş. Modelin gerçek araştırma alanlarında — örneğin, yeni LRO görüntülerin işlenmesinde — ne kadar iyi çalışacağı henüz geniş ölçekli çalışmalarda doğrulanmadı.
NASA, ayın kutup kraterlerinde yaklaşık 600 milyon metrik ton su buzu olduğunu tahmin ediyor. Bu, 240.000 olimpik havuz büyüklüğünde bir su rezervi demek. Modelin buz tespit hatasını %22 düşürmesi, ay kutuplarında inşa edilebilecek insanlı üslerin su kaynaklarına erişimini iyileştirme potansiyeli taşıyor. Ancak kaynak, modelin operasyonel koşullarda — somut astronot misyonlarında — nasıl performans göstereceğine dair ayrıntı sunmuyor.
LRO verisinin, NASA'nın diğer tüm gezegen misyonlarından topladığı veriden daha büyük bir hacim oluşturduğu belirtiliyor. Bu veri hacmi, geleneksel yaklaşımda sorun teşkil ederdi, çünkü her yeni görev için ayrı eğitim veri setleri gerektirir. Foundation model yaklaşımı, temel ağırlıkları sabit tutup yalnızca küçük adaptörler ekleyerek bu engeli hafifletiyor.
LoRA tekniği neden hesap kaynağı tasarrufu sağlıyor
Lunar Foundation Model, LoRA (Low-Rank Adapter) tekniğini kullanıyor. Bu teknik, temel modelin %90'ını donmuş tutarak yalnızca küçük ağırlık ekleri eğitiyor. Yeni bir göreve uyum sağlamak için modelin tamamını yeniden eğitmek yerine sadece hafif adaptörler ekleniyor.
Geleneksel yöntemle her görev için sıfırdan model eğitmek, binlerce saatlik GPU zamanı ve büyük etiketli veri setleri gerektiriyor. Lunar Foundation Model, bu engeli kaldırarak araştırmacıların doğrudan küçük veri setleriyle kendi görevlerine odaklanmasını sağlıyor.
Modelin açık kaynak olarak yayınlanması da önemli. Hugging Face üzerindeki model ağırlıklarına ve GitHub'daki kodlara erişen bir araştırmacı, kendi LRO görüntü setini bu modelle işleyebilir. Ancak bunun için orta düzey hesaplama gücü, makine öğrenmesi kütüphanelerine aşinalık ve LRO veri formatlarını anlama gereklidir. Model, "kodlama becerisi olmadan herkes kullanabilir" seviyesinde değildir, ancak uzman bir araştırmacının özelleştirilmiş modeller geliştirmekten kurtulmasını sağlıyor.
Ay kutup araştırmalarında uygulanabilirlik
Ayın kutup bölgeleri, gelecekteki insanlı misyonlar için stratejik öneme sahip. Bu bölgelerdeki kraterler, milyarlarca yıldır güneş ışığı almamış ve buzun korunduğu kalıcı gölge alanları barındırıyor. NASA'nın Artemis programı, 2024 sonrasında astronotları yeniden aya göndermeyi hedefliyor ve bu görevlerin kaynak tahsisinde su kaynaklarının doğru tespit edilmesi önemli.
Lunar Foundation Model, krater haritalaması ve buz tespitindeki iyileştirmelerle araştırmacıların kutup bölgelerini hızlı analiz etmesini sağlıyor. Örneğin, yeni bir LRO görüntü setini işlemek için task-specific model eğitmek yerine, araştırmacı küçük bir etiketli veri setiyle LoRA adaptörü ekleyip aynı gün sonuçları alabilir. Bu hız kazanımı, özellikle zamana duyarlı görevler için — örneğin, bir iniş alanı seçerken birden fazla krater bölgesini karşılaştırmak gerektiğinde — pratik değer taşıyor.
Modelin somut sahada kullanımı henüz denenmemiş. Kaynak, modelin "astronot güvenliği için kritik bilgi sağladığını" iddia etmiyor; yalnızca "araştırmacıların krater haritalaması, genç volkanik özellikleri tanıma ve buz kararlılığını tahmin etme" görevlerini yapabileceğini belirtiyor. Gerçek kullanımda ortaya çıkabilecek sınırlamalar — modelin nadir jeolojik oluşumları yanlış sınıflandırması, düşük ışıkta performans kaybı veya gerçek zamanlı edge deployment gereksinimleri — henüz belgelenmemiş.
Foundation modeller nasıl çalışır
Foundation model, büyük ve çeşitli veri setlerinden eğitilen ve farklı görevlere uyarlanabilen bir yapay zeka mimarisidir. Geleneksel makine öğrenmesinde her görev için ayrı bir model sıfırdan eğitilir: krater tespiti için bir model, buz analizi için başka bir model. Foundation model yaklaşımı ise, geniş bir temel veriyle (örneğin 2 milyon görüntü tile'ı) eğitilen büyük bir modelin ağırlıklarını "donar" ve göreve özel küçük adaptörler ekler.
Bu yaklaşımın avantajı, yeni bir görev için binlerce saatlik GPU eğitimine gerek kalmamasıdır. Etiketli veri gereksinimi de azalır — Lunar Foundation Model, krater tespiti için yarı oranında veri kullanarak daha iyi performans gösterdi. Dezavantajı ise, temel modelin kalitesinin ve kapsayıcılığının tüm alt görevleri etkilemesidir. Eğer temel eğitim verisi belirli bir ay bölgesini ya da görüntü modalitesini eksik bırakmışsa, adaptörler bu boşluğu tam olarak kapatamayabilir.
Lunar Foundation Model'de farklı çözünürlükler (1 metre ve 100 metre) ve farklı modaliteler (kamera ve multispektral) bir arada kullanılıyor. Bu, modelin hem detaylı yüzey özellikleri hem de geniş alan analizlerinde kullanılabilmesini sağlıyor. Modelin TerraMind mimarisinden türetilmesi, benzer bir foundation model yaklaşımının Dünya gözlem uyduları için işe yaradığını gösteriyor. Ancak ay için özelleştirilmiş versiyonun, Dünya modeline göre daha sınırlı bir veri çeşitliliğiyle (yalnızca LRO kaynağı) çalışması, modelin genelleme kabiliyetini etkileyebilir.
Modelin test edilmediği ay araştırması görevleri
Kaynak, modelin krater tespiti, genç volkanik özelliklerin tanınması ve buz kararlılığı tahmini olmak üzere üç görevde test edildiğini belirtiyor. Ay araştırmasının kapsamı daha geniş: yüzey kimyasal kompozisyonu haritalama, radyasyon haritalaması, mikroçarpma krater yaşlandırması, regolith (ay toprağı) derinlik tahmini, lav tüpü tespiti, sismik aktivite analizi ve magnetik anomali haritalama gibi görevler. Modelin bu görevlerde ne kadar işe yaradığı henüz test edilmemiş.
Araştırmacılar, kendi görevlerinin modelin test edildiği üç görev kapsamına girip girmediğini değerlendirmeli. Eğer farklı bir görev söz konusuysa, modelin doğrudan kullanımı yerine kendi task-specific modelini eğitmek daha verimli olabilir.
Ayrıca, modelin gerçek zamanlı edge deployment senaryoları henüz tanımlanmamış. Bir ay aracının seyir sırasında krater tespit etmesi için modelin ağırlıklarının ve hesaplama gereksiniminin aracın bilgisayarına sığıp sığmadığı belirsizdir. Foundation modeller genellikle büyük boyutlu olduğundan, aracı üzerinde çalıştırma için modelin quantize edilmesi ya da daha küçük adaptörlere dönüştürülmesi gerekebilir.
Türkiye'deki ay araştırma grupları için pratik imkânlar ve sınırlamalar
Modelin Hugging Face'te açık kaynak olarak yayınlanması, küçük araştırma ekiplerinin ay verilerini işlemesinin maliyetini düşürüyor. Türkiye'deki ay araştırması yapan akademik gruplar için bu model, hesaplama kaynaklarına erişim engelini önemli ölçüde hafifletiyor. Bir üniversite laboratuvarı, kendi etiketli küçük veri setini hazırlayıp modele LoRA adaptörü ekleyerek — özel modellere göre çok daha az GPU saati harcayarak — sonuçları alabilir.
Ancak Türkiye bağlamında iki engel kalıyor: LRO verilerine erişim ve bu verilerin işlenmesi için gerekli alt yapı (veri depolama, ön işleme pipeline'ları) kurulması. Ayrıca modelin başka gezegenlere (Mars, Venüs) transfer edilmesi teorik olarak mümkün olmakla birlikte, ay yüzeyinin özgün jeolojik özellikleri (impakt kraterleri, bazaltik maria) modelin öğrendiği örüntüleri belirliyor ve bu örüntüler başka ortamlara doğrudan taşınamayabilir.
