NASA’nın Ay Yapay Zekâsı, Aynı Modeli 1 Metre ve 100 Metre Çözünürlükte Çalıştırıyor

Bugün tek bir mikro konuya odaklanıyorum: NASA-IBM Lunar Foundation Model’in, Ay yüzeyini yaklaşık 1 metre ve 100 metre/piksel gibi birbirinden 100 kat farklı çözünürlüklerde tek bir model ağırlık setiyle öğrenebilmesi.

Model 10 Eylül 2026’da NASA ve IBM tarafından açık kaynak olarak yayımlandı. Buradaki asıl teknik yenilik “Ay’ı haritalayan AI” olması değil. Daha ilginç olan, farklı sensörlerden gelen ve çok farklı uzamsal ölçeklere sahip verileri ortak bir öğrenme sistemi içerisinde birleştirmesi.

Sorun: Ay’ın Bütün Sensörleri Aynı Şeyi Aynı Ölçekte Görmüyor

Ay hakkında 17 yıldan uzun süredir veri toplanıyor.

Örneğin Lunar Reconnaissance Orbiter’ın:

• Narrow Angle Camera (NAC) verileri yaklaşık 1 m/piksel
• Wide Angle Camera (WAC) verileri yaklaşık 100 m/piksel

ölçeğinde.

Arada tam 100 katlık uzamsal çözünürlük farkı var.

Bunun üzerine başka görevlerden gelen:

• Topoğrafya
• Yerçekimi
• Multispektral görüntüleme
• Yüzey özellikleri

gibi veriler ekleniyor.

Klasik yaklaşımda her veri türü için ayrı model veya ayrı işleme zinciri oluşturmak oldukça doğal.

NASA-IBM ise farklı bir yol seçmiş:

Tek bir temel model, farklı çözünürlük ve modalitelerden gelen bilgileri ortak bir temsil içerisinde öğrenebilsin.

Modelin Temel Mimarisi

NASA-IBM Lunar Foundation Model’in omurgası:

ViT-B encoder-decoder

yapısında.

Model:

• 12 Transformer katmanı
• 12 attention head
• 768 boyutlu temsil

kullanıyor.

Ancak asıl numara Transformer’ın kendisi değil.

Asıl numara, hangi verinin modele nasıl token olarak verildiği.

11 Farklı Veri Türü Tek Modele Giriyor

Model yaklaşık 11 modaliteyi işleyebiliyor.

NASA ve IBM’in hazırladığı eğitim veri seti:

30’dan fazla mekânsal olarak hizalanmış veri katmanını

9 farklı cihazdan

ve

4 Ay görevinden

bir araya getiriyor.

Böylece model yalnızca:

“Bu piksel ne renk?”

sorusunu öğrenmiyor.

Daha çok:

“Bu bölgenin farklı sensörlerdeki fiziksel karşılıkları nasıl ilişkili?”

sorusunu öğrenmeye çalışıyor.

Bu bilimsel AI açısından çok daha değerli.

Örneğin Bir Krater

Bir krateri yalnızca optik görüntüden algılamak yerine model aynı bölge için farklı bilgiler görebiliyor:

Bu yaklaşım özellikle bir sensörün tek başına belirsiz kaldığı durumlarda avantaj sağlayabilir.

Ay’da Çok Daha Büyük Bir Problem Var: Işık

Ay’ın yüzey görünümü Dünya’daki bir manzara gibi değil.

Atmosfer yok denecek kadar az olduğu için:

Güneş açısı → gölge → yüzey görünümü

ilişkisi son derece güçlü.

Aynı krater, Güneş’in geliş açısı değiştiğinde tamamen farklı görünebilir.

Bir AI modeline yalnızca görüntüyü verirseniz model:

“Bu karanlık bölge yüzeyin fiziksel özelliği mi, yoksa gölge mi?”

sorusunu görüntüden tahmin etmek zorunda kalır.

NASA-IBM modeli burada ilginç bir çözüm kullanıyor.

Model Güneş Geometrisini Doğrudan Görüyor

Model, görüntünün yanında edinim geometrisini de giriş olarak kullanıyor.

Bunlar arasında:

• Aydınlatma açıları
• Solar-frame referansları
• Görüntünün konumu
• Tile footprint
• Bazı gözlem geometrisi bilgileri

bulunuyor.

Yani modele kabaca:

bilgisi veriliyor.

Bu küçük görünen tasarım kararı çok önemli.

Çünkü modelin görüntüden zaten sensörde kayıtlı olan fiziksel koşulları tahmin etmeye çalışması gerekmiyor.

Neden Bu, Normal Bilgisayarlı Görüden Farklı?

Normal bir görüntü modeli:

yapabilir.

Burada ise:

oluşturuluyor.

Bu nedenle model aslında yalnızca “görüntü tanıma” yapmıyor.

Daha doğru tanım:

Çok modlu jeouzamsal temsil öğrenme.

100 Kat Çözünürlük Farkı Nasıl Aşılabiliyor?

Buradaki tasarım joint mixed-resolution pretraining.

Yani NAC ve WAC verileri ayrı modellerle eğitilmiyor.

İki veri ailesi: aynı model ağırlıkları ile eğitim döngüsünde birlikte kullanılıyor.

Bu sayede model iki farklı ölçek ailesi için ayrı bir temel model taşımak zorunda kalmıyor.

Bunun Bilimsel Avantajı Ne?

Ay’ın bazı özellikleri:

Metre ölçeğinde

anlamlı.

Örneğin:

• Küçük kraterler
• Kayalar
• Yüzey dokuları

Bazı özellikler ise:

Onlarca veya yüzlerce metre ölçeğinde

daha anlamlı.

Örneğin:

• Geniş topoğrafik yapı
• Büyük jeolojik oluşumlar
• Geniş gölgeli bölgeler

Model her iki ölçeği öğrenebildiğinde araştırmacı aynı temel modelden farklı görevler türetebiliyor.

En Önemli Uygulama: Kutupsal Buz

Ay’ın kutuplarında kalıcı gölgeli bölgeler bulunuyor.

Bu bölgelerde sıcaklıklar çok düşük olduğu için su buzu uzun süre korunabiliyor.

Gelecekte bu buz:

• Bilimsel araştırma
• Yaşam destek sistemleri
• Hidrojen ve oksijen üretimi
• Potansiyel roket yakıtı

açısından önemli olabilir.

NASA-IBM modeli bu bölgelerde ice prospectivity, yani buz bulunma olasılığının mekânsal tahminini yapabiliyor.

NASA-IBM modelinin polar ice prospectivity görevinde referans yöntemlerden RMSE hatasını %22’ye kadar düşürdüğü bildiriliyor.

Bu:

%22 daha fazla buz buldu

anlamına gelmiyor.

Daha doğru ifade:

Tahmin hatası kullanılan karşılaştırmaya göre %22’ye kadar azaltıldı.

Bu ayrım önemli.

Krater Tespiti de Başka Bir İyi Test

Kraterler yalnızca güzel görünen çukurlar değil.

Krater yoğunluğu:

Yüzeyin yaşını ve jeolojik geçmişini

anlamak için kullanılabiliyor.

Ayrıca gelecekteki iniş alanları açısından:

• Eğim
• Kayalık alanlar
• Yüzey tehlikeleri

hakkında bilgi sağlayabiliyor.

NASA-IBM modeli kraterleri yaklaşık metre ölçeğinde haritalayabiliyor.

Daha kaba, yaklaşık 100 metre ölçekli bağlam görevlerinde ise NASA-IBM açıklamasına göre SwinV2-B’ye karşı yaklaşık %19 daha iyi performans gösterirken daha az eğitim verisi kullanabiliyor.

İlginç Test: Model Yeni Bir Krateri de Bulabiliyor

NASA’nın açıklamasında özellikle dikkat çekici bir deney var.

Bir SpaceX roket gövdesinin Ay yüzeyine çarpması sonrasında oluşan yeni krater görüntüsü modelin ön eğitiminde bulunmuyordu.

Araştırmacılar daha sonra modeli bu yeni durumu tanımaya uyarladı.

Model:

• Mevcut kraterleri
• Yeni oluşan çarpma kraterini

tespit edebildi.

Bu küçük test önemli çünkü modelin yalnızca eğitim sırasında gördüğü belirli görüntüleri ezberlemediğini, yeni bir yüzey değişikliğine adapte olabildiğini göstermeye yardımcı oluyor.

Asıl Büyük Değer Modelden Bile Farklı Olabilir

NASA ve IBM yalnızca modeli yayımlamadı.

Aynı zamanda machine-learning-ready birleşik veri setini de açık hale getirdi.

Bu veri seti:

2 milyona yakın Ay görüntü/tile paketini

ve

30’dan fazla mekânsal olarak hizalanmış katmanı

bir araya getiriyor.

Bu çok önemli.

Çünkü AI araştırmalarında bazen model mimarisinden daha büyük problem:

verinin temizlenmesi + hizalanması + standardizasyonu

oluyor.

Burada araştırmacılar:

zincirini oluşturmuş durumda.

Açık Kaynak Olması Neden Önemli?

Model Hugging Face üzerinden yayımlandı.

Kod ve uyarlama araçları da açık olarak sunuluyor. Model ve ilgili yazılım ekosistemi Apache-2.0 lisansı altında yayımlanıyor.

Bunun anlamı:

NASA’nın elindeki Ay verilerini kullanarak yalnızca NASA’nın kendi ekipleri değil, dışarıdaki araştırmacılar da:

aynı temel modeli alıp yeni görevler için uyarlayabilir.

Örneğin gelecekte:

“Bu bölgede küçük kayaların yoğunluğu nedir?”

gibi modelin ilk eğitim görevinde olmayan başka bir araştırma problemi oluşturulabilir.

Fakat Model Henüz “Ay’da Karar Veren AI” Değil

Bu ayrım önemli.

NASA modeli bir araştırma ve haritalama aracı olarak sunuyor.

Model çıktılarının doğrudan:

“Buraya kesinlikle iniş yapın.”

şeklinde operasyonel karar olarak kullanılması için bağımsız doğrulama gerekiyor.

Özellikle Ay’ın kutup bölgelerinde:

• Ekstrem aydınlatma
• Çok derin gölgeler
• Farklı sensör çözünürlükleri
• Eksik veya yanlı etiketler

gibi problemler devam ediyor.

Dolayısıyla modelin iyi benchmark sonucu alması, fiziksel dünyada kusursuz haritalama yaptığı anlamına gelmiyor.

Bugünün Asıl Teknik Sonucu

Bu projenin en önemli tarafı:

“NASA Ay için ChatGPT yaptı.”

değil.

Hatta:

“NASA Ay’ı AI ile haritalıyor.”

demek bile teknik olarak fazla genel.

Asıl yenilik şu:

NASA ve IBM, yaklaşık 1 metre/piksel ile 100 metre/piksel arasında 100 katlık çözünürlük farkı bulunan Ay gözlemlerini, sensör ve aydınlatma geometrisini de modele açıkça vererek tek bir Vision Transformer tabanında öğrenmeye çalışıyor.

Bu yaklaşım başarılı olduğu için aynı temel model:

krater tespiti → volkanik yapı analizi → kutupsal buz tahmini

gibi birbirinden farklı bilimsel görevlere uyarlanabiliyor.

16 Eylül 2026 itibarıyla model ve veri seti açık durumda. Önümüzdeki kısa vadede en önemli gelişme, bağımsız araştırmacıların bu temel modeli yeni Ay görevleri ve yeni bilimsel görevlerde ne kadar başarılı biçimde uyarlayabildiğinin görülmesi olacak.

Bugünün tek cümlelik özeti:

NASA-IBM Lunar Foundation Model’in gerçek yeniliği Ay’ı tanıması değil; farklı sensörleri, farklı fiziksel ölçümleri ve 100 kat farklı görüntü çözünürlüklerini tek bir AI temsilinde buluşturabilmesi.

Kaynaklar

• NASA, Lunar Foundation Model açıklaması
• IBM Research, Lunar Foundation Model teknik açıklaması
• NASA-IBM Lunar Foundation Model, Hugging Face