Asteroids mining expeditions planer
Celem projektu było przygotowanie systemu planowania misji kosmicznych mających na celu pozyskiwanie surowców z asteroid. Nieodłącznym elementem systemu było stworzenie modelu klasyfikacyjnego do rozpoznawania typów asteroid, co pozwalałoby na określenie które asteroidy są bogatsze w metale.
Do projektu wykorzystano dane pochodzące z 3 źródeł:
- JPL Small-Body Database - zbiór asteoroidów i ich cech fizycznych.
- ECOCEL (Exploitation des Ressources des Corps Célestes) - zbiór zawierający dane na temat okien czasowych potencjalnych misji oraz wymaganych delta V dla każdej misji.
- Syntetyczny zbiór wygenerowany przy pomocy GPT-4o z danmi dostępnych stataków i pjazdów kosmicznych.
Do przygotowania modelu uczenia maszynowego przewidującego klasę asteroidy przeprowadzono screening następujących modeli:
- Random Forest
- Decision Tree
- XGBoost
- LightGBM
- KNN
- SVM
- NB
Modele klasyfikują asteroidy na 2 klasy – typ M, bogaty w wartościowe surowce, a w drugiej klasie znajduje się reszta typów asteroid. Z powodu niezbilansowania klas wynikowych przeprowadzono upsampling metodą SMOTE do wyrównania liczebności obu klas. Dodatkowo wykonano standaryzację.
Najlepszym modelem pod względem accuracy i recall okazał się XGBoost. Wykonano fine tuning metodą randomized search.
System wieloagentowy wykonany został w frameworku LangGraph z użyciem narzędzia LangChain do integracji dużych modeli językowych firm trzecich (w tym przypadku OpenAI model GPT-4o-mini).
System ten wykorzystuje koncepcję agentowości oddając znaczną część kontroli na temat wnioskowania agentom, a kwestia modelowania przenosi na specjalistyczne modele predykcyjne.
W centrum systemu znajduje koordynator planowania misji mający do dyspozycji 4 ekspertów dziedzinowych z kategorii: asteroid, zarządzania flotą, zarządzania czasem, zarządzania budżetem. Końcowym węzłem jest agent mający za zadanie przeprowadzenia wnioskowania na podstawie zebranych informacji z wywiadów i na tej podstawie opracowanie raportu.
System wzbogacony jest o podstawowe elementy RAG opierające się na pozyskiwaniu informacji z baz danych i wzbogacaniu nimi promptów dla bogatszego kontekstu.
Zaimplikowana została także mechanika pamięci w podstawowej formie polegającej na historii wiadomości pomiędzy agentami.
Pojedyncze wywołanie systemu (wykorzystując model GPT-4o-mini) wykorzystuje od 30k do 100k tokenów i w przeliczeniu kosztuje ~0.03$.
Interfejs wizualny został zaprojektowany przy użyciu frameworku Streamlit, co zapewnia responsywność działania i przejrzystość.
Interfejs daje użytkownikowi możliwość skierowania zapytania do wspomnianego systemu wieloagentowego i do samodzielnego przeszukiwania bazy.
- Rozwój modelu klasyfikacyjnego:
-
Rozszerzenie zbioru danych o nowe źródła (Gaia, LSST) i przyszłe misje kosmiczne.
-
Dodanie predykcji przyszłego składu asteroid przy użyciu modeli geochemicznych.
- Udoskonalenie systemu wieloagentowego:
-
Rozbudowa funkcjonalności ekspertów (np. analiza ryzyk, optymalizacja trajektorii).
-
Zastosowanie pamięci długoterminowej i bardziej zaawansowanych mechanizmów RAG.
- Ulepszenie interfejsu użytkownika:
-
Dodanie dynamicznych wizualizacji (mapy trajektorii, modele 3D asteroid).
-
Możliwość generowania raportów w popularnych formatach.
- Komercjalizacja:
-
Współpraca z agencjami kosmicznymi i firmami prywatnymi.
-
Tworzenie modułów dedykowanych dla klientów komercyjnych.