Development of a simulation and optimization framework of a CubeSat geometry for Gamma-Ray Bursts detection

Dato il crescente interesse scientifico verso i Gamma-Ray Burst (GRB), negli ultimi anni l’attenzione si è rivolta sulla progettazione di strumenti osservativi efficienti, economicamente vantaggiosi e compatti. L’interesse verso queste soluzioni si è esteso anche all’impiego di piattaforme CubeSat, grazie al loro basso costo, ai brevi tempi di sviluppo e alla loro modularità. In questo lavoro sviluppiamo un approccio per l’ottimizzazione della configurazione di un detector per raggi gamma da installare in un CubeSat per il rilevamento dei GRB. L’obiettivo del problema consiste nell’ottimizzare il posizionamento di un certo numero di elementi sensibili su una griglia tridimensionale, in modo da massimizzare la capacità del rivelatore di discriminare tra diverse direzioni di arrivo del segnale incidente. Per valutare le soluzioni, simuliamo le interazioni tra le particelle e il rivelatore, consentendo di stimare la probabilità di rilevamento associata a ciascuna direzione di arrivo del segnale. Le probabilità simulate vengono quindi utilizzate per misurare la separabilità statistica tra le diverse direzioni di arrivo mediante la distanza di Bhattacharyya, minimizzando il limite di Bayes sull’errore di classificazione e massimizzando la capacità discriminativa del sistema. Il problema di ottimizzazione risultante, vincolato dal numero di elementi sensibili, viene risolto attraverso un approccio meta-euristico. Utilizziamo il Biased Random Key Genetic Algorithm per individuare un insieme di soluzioni. Il metodo proposto si basa sull’impiego di un simulatore analitico rapido per esplorare lo spazio delle possibili configurazioni dei rivelatori gamma, individuando un insieme di configurazioni ottimizzate che viene successivamente analizzato mediante simulazioni fisiche basate su Geant4, al fine di valutarne le prestazioni in un contesto di simulazione più realistico. Viene proposta inoltre l’implementazione di una variante multifidelity dell’Optimal Computing Budget Allocation che consente di identificare la migliore alternativa progettuale con un tempo di simulazione minimo, allocando in modo intelligente il budget computazionale disponibile.

Given the growing scientific interest in Gamma-Ray Bursts (GRBs), recent years have seen increasing attention devoted to the design of observational instruments that are efficient, cost-effective, and compact. This interest has also extended to the use of CubeSat platforms, owing to their low cost, short development times, and modularity. In this work, we develop an approach for optimizing the configuration of a gamma-ray detector to be installed on a CubeSat for GRB detection. The goal of the problem is to optimize the placement of a given number of sensitive elements on a three-dimensional grid, so as to maximize the detector’s ability to discriminate between different arrival directions of the incident signal. To evaluate the candidate solutions, we simulate the interactions between particles and the detector, allowing the detection probability associated with each arrival direction to be estimated. The simulated probabilities are then used to measure the statistical separability between different arrival directions by means of the Bhattacharyya distance, minimizing the Bayes bound on the classification error and maximizing the discriminative capability of the system. The resulting optimization problem, constrained by the number of sensitive elements, is solved using a metaheuristic approach. We employ the Biased Random Key Genetic Algorithm to identify a set of candidate solutions. The proposed method relies on a fast analytical simulator to explore the space of possible gamma-ray detector configurations, identifying a set of optimized configurations that is subsequently analyzed through physics-based simulations built on Geant4, in order to evaluate their performance in a more realistic simulation setting. We further propose the implementation of a multi-fidelity variant of the Optimal Computing Budget Allocation, which allows the best design alternative to be identified with minimal simulation time, by intelligently allocating the available computational budget.