Ay'a iniş yeri seçiminde yapay zekâ: Ohio State'ten LUMINA görev planlamacılarına yardım edecek

Ay'a kalıcı bir varlık kurmaya hazırlanan uzay ajansları, iniş yeri seçmek için çok büyük miktarda görüntü ve ölçüm verisini taramak zorunda. Ohio State Üniversitesi'nden araştırmacılar, bu işi hızlandırmak için "LUMINA" adlı bir yapay zekâ sistemi geliştirdi. Sistem, aday iniş yerlerini değerlendirmek, gelecekteki ekiplerin karşılaşabileceği tehlikeleri belirlemek ve bilimsel açıdan değerli jeolojik yapıları bulmak için tasarlandı.

LUMINA'yı, üniversitenin İnşaat, Çevre ve Jeodezi Mühendisliği bölümünde doktora adayı olan Gokce Inal geliştirdi. Çalışma, Ekim ayında Amerikan Astronomi Derneği Gezegen Bilimleri Bölümü'nün 58. yıllık toplantısında (DPS 58) sunuldu. Üniversitenin açıklamasına göre ilk sonuçlar, modelin karmaşık Ay gözlemleri yapabildiğini ve aday iniş yerleri için bilimsel açıdan anlamlı değerlendirmeler üretebildiğini gösteriyor.

Önce Ay'ı tanıyan bir model

LUMINA, ekibin daha önce geliştirdiği LLaVA-LE adlı modelin üzerine kuruldu. LLaVA-LE, görüntüyle metni birlikte işleyebilen bir "görsel-dil modeli"; yani bir fotoğrafa bakıp onu tarif edebiliyor ve hakkında sorulan soruları yanıtlayabiliyor. Ekibin Mart 2026'da arXiv'de paylaştığı makaleye göre bu tür genel amaçlı modeller gezegen bilimine kolayca uyarlanamıyor, çünkü gerçek gezegen görüntülerini ayrıntılı bilimsel açıklamalarla eşleştiren büyük veri setleri yok.

Araştırmacılar bu açığı kapatmak için LUCID adlı yeni bir veri seti oluşturdu. Set, Ay arazisini ayrıntılı biçimde tarif eden açıklamalarla eşleştirilmiş 96 bin yüksek çözünürlüklü görüntü ve yaklaşık 20 bin görüntüden türetilmiş 81 bin soru-cevap çifti içeriyor. Veriler NASA'nın görevlerinden geliyor: Ay Keşif Yörünge Aracı'nın kamerası LROC'un optik görüntüleri, GRAIL görevinin kütleçekim ölçümleri ve LOLA lazer altimetresinden elde edilen eğim haritaları. Makaleye göre yalnız optik görüntü bir bölgenin yüzey görünüşünü verir; kütleçekim ve eğim haritaları ise yüzey altındaki kütle dağılımı ve arazinin biçimi hakkında ek bilgi sağlar.

Ekip, modeli iki aşamada eğitti: önce Ay arazisini doğru tarif etmeyi, sonra soruları yanıtlamayı öğretti. Değerlendirmede GPT ve Gemini modelleri hakem olarak kullanıldı. Makaleye göre LLaVA-LE, temel LLaVA modeline göre genel puanda 3,3 kat iyileşme sağladı. Ekip veri setini, kodu ve model dosyalarını da açık olarak paylaştı.

Soru yanıtlayan araçtan birlikte düşünen asistana

LUMINA bir adım ileri gidiyor: çok adımlı analizleri planlayıp yürütebiliyor, aday iniş yerlerini değerlendiriyor ve önerilerinin arkasındaki kanıtları açıklıyor. Inal'a göre bu, su buzu ve diğer kaynakların bol olduğu bölgeleri bulmaya yardımcı olabilir. Ancak Inal, sistemi kendi başına karar veren bir makine olarak değil, son kararı görev planlamacılarına bırakan bir karar destek aracı olarak görüyor. Üniversitenin açıklamasında Inal, çoğu yapay zekâ aracının pasif olduğunu, soru sorup cevap aldığınızı, kendilerinin ise uzmanlarla birlikte bir problemi adım adım çözen etkin bir bilimsel asistana doğru ilerlediğini söylüyor.

Çalışmanın ortak yazarı, aynı bölümden profesör Alper Yilmaz, modelin yalnız Ay ile sınırlı kalmayacağını, Mars, bazı asteroitler ve Dünya gibi başka yüzeylerin haritalanmasına da uyarlanabileceğini belirtiyor. Yilmaz'a göre uzay keşfi için geliştirilen GPT benzeri harita modelleri çok az. Yilmaz, insanların son derece zorlu bir ortama ineceğini, bu yüzden kararları doğrulayıp sorgulayabilecek "ikinci bir göz"e değer olduğunu vurguluyor.

Sınırlar ve sıradaki adım

LUMINA'ya ilişkin sonuçlar şimdilik ön sonuç niteliğinde ve DPS toplantısında sunuldu. LLaVA-LE'nin değerlendirmesinde de yapay zekâ hakemler kullanıldığı için, modelin gerçek görev planlamasındaki başarısının uzmanlarla birlikte sınanması gerekecek. Ekip, sistemi yeni ve yüksek kaliteli Ay verileriyle test etmeyi ve görev planlamasına ne kadar katkı sağladığını değerlendirmeyi planlıyor. Inal, NASA'nın Artemis programıyla gelecek yeni Ay verilerinin bu tür sistemleri daha da geliştireceğini düşünüyor.