NASA, Ay'ın incelenmesine yapay zekayı getiriyor ve araştırmacıların Ay yüzeyini analiz etme biçimini dönüştürmelerine yardımcı oluyor. IBM Research ve çeşitli akademik kurumlarla süren iş birliği kapsamında NASA, özellikle ay bilimi için geliştirilmiş ilk açık kaynaklı yapay zeka modellerinden biri olan NASA-IBM Ay Temel Modeli'ni başlattı. Öncelikle NASA'nın Lunar Reconnaissance Orbiter, LRO verileriyle eğitilen model, herkesin kullanması için Hugging Face üzerinde kamuya açık olarak barındırılıyor ve test ile deneme için tam kod tabanı GitHub'da bulunuyor.
NASA-IBM Ay Temel Modeli, araştırmacıların Ay yüzeyini daha iyi anlamaları için büyük miktarda veriyi hızlıca analiz etmelerine yardımcı olarak ay biliminin yeni kuşağını destekliyor. Araştırmacılar modeli bir haritalama aracı olarak kullanarak Ay'ın engebeli yüzeyini değerlendirmek, jeolojik geçmişini anlamak ve gelecekteki ay araştırmalarını planlamak için hızlıca uygulanabilir stratejiler geliştirebiliyor.
NASA Washington'daki merkezinde baş bilim veri sorumlusu ve vekaleten baş veri ve yapay zeka sorumlusu Kevin Murphy, "NASA on yıllardır Ay hakkında olağanüstü bir bilimsel kayıt oluşturdu ancak veri toplamak işin yalnızca bir parçası" dedi. Murphy, "Veriyi bilim insanlarının keşfetmesi ve kullanması için daha erişilebilir hale getirmemiz gerekiyor. NASA-IBM Ay Temel Modeli, yapay zekayı NASA'nın petabaytlarca bilimsel verisine getirdiğimizde neler mümkün olduğunu gösteriyor. Bu, yapay zekayla gördüğümüz gerçek bir fırsat: büyük ölçekli veriyi yeni keşiflere dönüştürmek" diye ekledi.
Geleneksel modeller belirli görevler için sıfırdan özel algoritmalar oluşturmayı ve eğitilmeyi gerektirirken, temel modeller geniş, etiketlenmemiş veri kümeleri üzerinde önceden eğitiliyor. Ön eğitim yoluyla kazandıkları geniş bilgi, hızlı ince ayarlarla birden fazla bilimsel alanda genelleme yapmalarını sağlıyor ve bu da temel modelleri bilimsel araştırmayı hızlandırmada hem çok yönlü hem de verimli kılıyor.
"NASA-IBM Ay Temel Modeli, yapay zekayı NASA'nın petabaytlarca bilimsel verisine getirdiğimizde neler mümkün olduğunu gösteriyor." Kevin Murphy, NASA Baş Bilim Veri Sorumlusu ve Vekaleten Baş Veri Sorumlusu/Baş Yapay Zeka Sorumlusu
NASA'nın LRO'su tarafından son 17 yılda toplanan veriler, Ay yüzeyinin büyük bölümünü ayrıntılı şekilde kapsadığı için bu temel modelin eğitimi için oldukça uygundu. LRO görevinden elde edilen veri, diğer tüm NASA gezegen görevlerinin toplamından daha büyük ve Ay'ın tamamının neredeyse kesintisiz, yüksek çözünürlüklü bir mozaiğini oluşturuyor. NASA-IBM modeli bu veri kümesinden yaklaşık 2 milyon görüntü karesi üzerinde eğitildi; bu kareler 1 metre çözünürlükte 1 milyondan fazla yüksek çözünürlüklü kamera görüntüsü ve 100 metre çözünürlükte yaklaşık 964 bin çok spektral görüntüden oluşuyor. Model ayrıca NASA'nın GRAIL, Gravity Recovery and Interior Laboratory, NASA'nın Lunar Prospector ve JAXA'nın, Japonya Havacılık ve Uzay Araştırma Ajansı'nın Selenolojik ve Mühendislik Keşif Aracı gibi birden fazla görevden yüksek çözünürlüklü Ay görüntüleri ve arazi verileriyle de eğitildi.
Temel model bu veri kümesi üzerinde zaten önceden eğitildiği için gezegen bilimciler, yalnızca küçük miktarda etiketli veriyle kraterleri haritalama, genç volkanik oluşumları tespit etme ve Ay kutuplarının yakınında buzun nerede bulunabileceğini tahmin etme gibi pek çok farklı ay araştırma görevine modeli uyarlayabiliyor. Ay'ın kutup buzunu inceleyen araştırmacılar için NASA-IBM modeli, buz yamalarının yüzeyde ve altında nerede istikrarlı olabileceğini tahmin etmelerine yardımcı olabiliyor. Ay'ın sürekli gölgeli bölgeleri gibi karanlık alanlar milyarlarca yıl boyunca buzun hapsolup korunması için yeterince soğuk kalıyor. Bu bölgelerin incelenmesi Ay'ın tarihi hakkında fikir veriyor ve gelecekteki uzay keşifleri için potansiyel olarak kullanılabilir kaynakların haritalanması fırsatı sunuyor.
Ay'ın artık volkanik olarak aktif olmadığı düşünülse de bir zamanlar dinamik jeolojik süreçler yaşadı. Ay volkanizmasını inceleyen araştırmacılar için NASA-IBM modeli, düzensiz mare yamaları olarak bilinen alışılmadık görünümlü volkanik oluşumların tanımlanmasını hızlandırıyor. Bu yapılar nispeten genç göründüğü için Ay'ın soğuma zaman çizelgesine ilişkin yerleşmiş varsayımları sorguluyor ve bunların haritalanması bilim insanlarının Ay'ın termal evrimi hakkında daha doğru bir anlayış oluşturmasına yardımcı olabilir.
Model ayrıca kraterler gibi yüzey özelliklerini manuel yöntemlerden daha verimli bir şekilde haritalayabiliyor. Her krater bir çarpma sonucu oluştuğu için krater sayımı ve ölçümleri Ay yüzeyinin tarihlemesi ve güneş sistemi tarihinin yeniden kurgulanması için temel önem taşıyor. Temel model kraterlerin tanımlanması ve ölçülmesi sürecini hızlandırıyor ve bilim insanlarının bulguları yorumlamaya ve keşif için çıkarımlarını belirlemeye odaklanmasına olanak tanıyor.
