IBM ve NASA, SomBench Veri Setiyle Açık Kaynak Ay Temel Modelini Yayınladı

IBM ve NASA, 10 Eylül 2026 tarihinde duyurdu NASA-IBM Ay Temel Modelinin açık kaynak olarak yayınlandığını; bu model, ay uzaktan algılaması için çok modlu, çok çözünürlüklü bir temel modeldir ve onu eğitmek için oluşturulmuş ortak kayıtlı ay veri seti SomBench ile birlikte sunulmuştur.

Duyurunun New York, Yorktown Heights’ten yapıldığı bu bildiri kapsamında IBM, sistemi Ay’ın bilimsel keşfi için kamuya açık ilk temel modellerden biri olarak tanımladı ve IBM ile NASA araştırmacıları tarafından derlenen kapsamlı bir ay gözlem veri seti üzerinde eğittiğini belirtti. Model ağırlıkları, Apache-2.0 lisansı altında Hugging Face’de yayımlanıyor; ince ayar kodu NASA-IMPACT GitHub deposunda tutuluyor ve alt akış adaptasyonu TerraTorch aracılığıyla gerçekleştiriliyor. Model kartı, yayını ay uzaktan algılaması için yeniden kullanılabilir bir temsil olarak konumlandırıyor: LROC görüntüleri ve ortak kayıtlı arazi ürünleri üzerinde algılama, segmentasyon ve yoğun regresyon için kodlayıcıyı ince ayar yapma veya LoRA ile uyarlama, ön‑eğitimden farklı olabilen modellik alt kümeleri ve yama ızgaraları ile.

Duyuruda, araştırmacıların modeli ay araştırmalarının çeşitli alanlarına uygulayabilecekleri belirtiliyor: kalıcı gölgeli bölgelerde buz bulunma olasılığını tahmin etmek (bu bölgeler gözlemlenmesi zor olsa da gelecekteki ay üssü için kritik kaynaklar barındırabilir), düzensiz Mare Yamaçları (Irregular Mare Patches) haritalamak (bilim insanlarının ay’ın volkanik tarihini ve termal evrimini anlamak için incelediği volkanik özellikler) ve kraterleri tespit etmek, bağlamlandırmak ve sınıflandırmak; bu çalışmalar arazi yaşı ve jeolojisi hakkında ipuçları sunar ve NASA’nın tehlikeli eğimler ve kayalar gibi riskleri önleyerek güvenli iniş noktaları seçmesine yardımcı olur.

“NASA, Ay’ın olağanüstü bir bilimsel kaydını on yıllar boyunca inşa etti, ancak veri toplamak yalnızca işin bir kısmı,” dedi NASA Genel Merkezinden Baş Bilim Veri Sorumlusu ve Geçici Baş Veri ve AI Sorumlusu Kevin Murphy, modelin NASA’nın petabaytlık bilimsel verileriyle AI kullanıldığında neler başarılabileceğini gösterdiğini ekledi.

IBM, modelin iki kuruluş arasındaki köklü iş birliğini genişlettiğini ve Hugging Face üzerinde sunulan Prithvi açık temel modelleri ailesine katıldığını belirtti; bu aile coğrafi uzamsal, hava durumu, heliophysics ve şimdi de Ay konularını kapsıyor. Açık yayın, araştırmacıların ortak bir modelden başlayıp yeni görevlere uyarlamasını, her bilimsel soruya yeni bir algoritmik sistem inşa etmek yerine, daha geniş bir vizyon olarak sunuyor.

Juan Bernabe-Moreno, IBM Research Europe, Birleşik Krallık ve İrlanda Direktörü, modelin bilim insanlarına ölçekli bir şekilde Ay’ı keşfetmek için bir temel sağladığını, gözlemleri enstrümanlar arasında bağlayarak izole bir şekilde görülmesi zor desenleri ortaya çıkardığını ve “küresel araştırma topluluğunun üzerine inşa edebileceği açık bir platform sunduğunu” söyledi.

Mimari ve Ön‑Eğitim

Model kartı, SomBench üzerinde sıfırdan eğitilmiş bir ViT‑B kodlayıcı‑çözücü (768 boyut, 12 katman, 12 dikkat başlığı) tanımlıyor: yaklaşık 2 milyon ortak kayıtlı ay döşeme paketi, 11 modda iki uzamsal ölçekte (LROC Dar Açılı Kamera görüntüleri yaklaşık 1 metre/piksel, Geniş Açılı Kamera görüntüleri yaklaşık 100 metre/piksel). Sistem, TerraMind maskeli‑token tarifini iki genişletmeyle uyarlıyor. Döşeme başına edinim geometrisi (aydınlatma açıları, güneş‑çerçeve referansları ve döşeme ayak izi) açık kodlayıcı girdileri olarak tokenleştiriliyor; yazarlar, ay yüzeyi görünümünün içsel yüzey varyasyonundan çok aydınlatma geometrisiyle belirlendiğini belirtiyor. NAC‑ ve WAC‑referanslı döşemeler de yerel çözünürlükte tek bir karışık‑batch döngüsünde birlikte eğitiliyor, böylece bir ağırlık seti iki çözünürlük ailesini 100× ölçek farkıyla kapsıyor.

Girdi, dokuz yoğun görüntü‑benzeri katman ve iki sıra‑benzeri bağlam modunu kapsıyor: sekiz alanlı döşeme‑optik meta verileri ve 28 alanlı statik‑harita bağlamı, Diviner, LOLA, Mini‑RF, Kaguya, WAC, GRAIL ve Lunar Prospector ürünlerinden alınmıştır. FlexiViT yama gömme, kontrol noktasının başka yama boyutlarında yeniden eğitilmeden ince ayar yapılmasını sağlıyor ve mod‑bazlı tokenleştirme, ince ayar sırasında modların eklenip çıkarılmasına izin veriyor. Ön‑eğitim, 16 H100 GPU’da 150 000 adım, küresel batch 1 536 bf16 ile yürütülmüş, toplamda yaklaşık 1 100 GPU‑saat harcanmış; dokuz mod‑özgü VQ‑VAE tokenleştirici FSQ kuantizasyonlu, bir DDPM çözücü ve ayrık token sözlükleri üzerinde çapraz‑entropi hedefi kullanılmıştır.

Raporlanan Kıyaslama Sonuçları

IBM, modelin Ay yüzeyindeki kilit coğrafi özelliklerin (potansiyel buz birikintileri, kraterler ve volkanik oluşumlar) tanımlanmasında yaygın yöntemleri %23’e kadar aşarak daha iyi performans gösterdiğini belirtti. NASA‑IBM teknik raporuna atıfta bulunarak, modelin yüksek potansiyelli buz bölgelerini tanımlarken SwinV2‑B (ImageNet) modeline kıyasla hata (RMSE) oranını %22 azaltığını; kusurlu etiketler kullanarak Irregular Mare Patches kapsamını %3 daha iyi yakaladığını; ve metre‑ölçekte krater tespitinde SwinV2‑B ile eşit performans gösterirken, yaklaşık 100‑metre bağlam ölçeğinde %19 daha iyi sonuç elde ettiğini, aynı zamanda eğitim verisinin yarısıyla bunu başardığını rapor etti.

Kıyaslama tablosu, model kartında kutupsal buz potansiyeli RMSE’sinin tam ince ayarda 0.0293 olduğunu, en iyi temel model (SwinV2‑B) için 0.0377 ve rastgele başlatma kontrolü için 0.0397 olduğunu gösteriyor; en geniş fark buz potansiyeli olarak belirtilmiş. Irregular Mare Patch segmentasyonu için IoU1 0.5709, ConvNeXtV2‑B’nin 0.5687’sine karşı; WAC görüntülerinde Robbins krater tespiti için LoRA kullanan modelin mAP’si 0.2581, SwinV2‑B’nin 0.2420’sine karşı. Kart, eğitim verisinin %50’siyle ön‑eğitilmiş varyantların tam setle eğitilen SwinV2‑B’ye eşit ya da daha iyi olduğunu belirtiyor. Yazarlar, NAC krater ve Irregular Mare Patch kıyaslamalarındaki liderlerin farkların tohumlar arasındaki yayılımdan daha küçük olması nedeniyle karşılaştırılabilir olduğunu uyarıyor. Kıyaslamalar, TerraTorch üzerinden, veri yükleyicileri, bölünmeler, artırmalar, kayıp fonksiyonu ve metrikler tüm omurgalarda sabit tutularak, ResNet‑50, ViT‑B MAE, ConvNeXt‑B, ConvNeXt‑V2‑B, SwinV2‑B, DaViT‑B, DeepLabV3+, SegFormer gibi temel modellerle ortalama ve standart sapma olarak beş tohum üzerinden raporlanmıştır.

SomBench Korpusu ve Belirtilen Sınırlamalar

IBM, bilim insanlarının NASA ile birlikte, türünün ilk açık kaynak ay veri setini oluşturduklarını, dokuz enstrümandan dört görev boyunca (NASA’nın Lunar Reconnaissance Orbiter ve GRAIL görevleri ile Japonya Uzay Araştırma Ajansı’nın SELENE/Kaguya’sı) 30’dan fazla uzamsal olarak hizalanmış katmanı bir araya getirdiklerini söyledi. SomBench veri seti kartı iki izleme yolunu tanımlıyor: WACLowRes, 963.609 döşeme, 100 metre/pikselde 51,2 kilometre kapsayan, 54.080 Geniş Açılı Kamera Deney Veri Kaydı’ndan türetilen ve toplam 38 TB veri içeren; ve NACHighRes, 1.000.113 döşeme, 1 metre/pikselde 512 metre kapsayan, 1.095 Dar Açılı Kamera kaydından türetilen ve toplam 1,4 TB veri içeren. Korpus, CC BY 4.0 lisansı altında yayımlanıyor ve tam veri seti AWS’de barındırılıyor. Bölünmeler, Ay Transvers Merkator bölge seviyesinde %75/%15/%10 hedefiyle atanıyor; iki bölgeyi kesen döşemeler uzamsal sızıntıyı önlemek için düşürülüyor ve test bölümü alt akış değerlendirmesi için ayrılıyor.

Model kartı, sistemin bilimsel‑sınıf bir üretken ürün olmadığını, jeodezik bir referans çerçevesi tutmadığını ve iniş‑site sertifikasyonu ya da tehlike temizliği gibi operasyonel kararlar için doğrulanmadığını belirtiyor; ayrıca buz‑potansiyeli çıktılarının ölçülen buz yerine bilgi‑tabanlı bulanık‑kaplama haritası ürettiğini vurguluyor. Listelenen sınırlamalar arasında henüz izole edilmemiş ablatasyon katkıları ve NAC ön‑eğitiminin yalnızca 1.095 ortak kayıtlı çerçeveyle sınırlı olması yer alıyor; veri seti kartı ise heterojen uzamsal çözünürlük ve on‑metre düzeyinde mutlak konumlama belirsizliği olduğunu belirtiyor. Çalışma, NASA’nın 80MSFC25M0084 numaralı ödülü kapsamında desteklenmiştir.