Apprentissage actif

Les modèles scotogéniques étendent le Modèle Standard par un secteur sombre impair sous une symétrie discrète $\mathrm{Z}_2$ exacte. L'état $\mathrm{Z}_2$-impair le plus léger est stable et fournit un candidat à la matière noire, tandis que les mêmes champs $\mathrm{Z}_2$-impairs, dans un diagramme à une boucle, génèrent les masses de Majorana des neutrinos. Le scan porte sur $N \sim \mathcal{O}(20)$ paramètres libres soumis à des contraintes sévères, si bien qu'un tirage aléatoire naïf est sans espoir. La technique d'apprentissage actif cartographie la frontière d'exclusion définie par les contraintes. Le scan couple deux objets : l'oracle, l'évaluateur coûteux mais exact (SPheno et micrOMEGAs) qui étiquette un point comme « bon » ou « mauvais », et le discriminateur, un DNN rapide entraîné à reproduire la décision de l'oracle, qui propose ensuite de nouveaux points à étiqueter.

Le terme « actif » signifie que le discriminateur choisit lui-même les points dont il veut apprendre, au lieu de recevoir passivement un échantillon aléatoire. Pour éviter une coupure franche, l'oracle attribue un score de qualité continu, la moyenne géométrique des $M$ observables ramenées à $[0,1]$, $$\hat{\mathcal{Y}} = \left( \prod_{i=1}^{M} \hat{\mathcal{Y}}_i \right)^{1/M} , \qquad \mathcal{S} = \frac{\hat{\mathcal{Y}}}{\mathcal{Y}},$$ et un point est étiqueté bon si $\mathcal{S} > 1$ et mauvais sinon.