Aspects phénoménologiques de modèles scotogéniques

Phenomenological aspects of scotogenic models

• Auteur / Autrice : Ugo De noyers
• Direction : Björn Herrmann
• Type : Thèse de doctorat
• Discipline(s) : Physique Théorique
• Date : Soutenance le 25/09/2025
• Etablissement(s) : Chambéry
• Ecole(s) doctorale(s) : École doctorale physique (Grenoble, Isère, France ; 1991-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire d'Annecy-le-Vieux de Physique Théorique (Annecy-le-Vieux, Haute-Savoie, France ; 1999-....)
• Jury : Président / Présidente : Geneviève Bélanger
• Jury : Examinateurs / Examinatrices : Ingo Schienbein, Ana M. Teixeira
• Jury : Rapporteurs / Rapporteuses : Mark Goodsell, Farvah Mahmoudi

Mots clés

Mots clés contrôlés

Matière noire (astronomie)

Neutrinos

Collisionneurs

Mots clés libres

Violation de saveur

Collisionneurs de particules

Calculs de précision

Neutrinos

Matière noire

Dark matter

Flavour violation

Neutrino

Precision calculations

Particle colliders

Résumé

Mon travail se concentre sur deux sujets principaux.Le premier porte sur les modèles scotogéniques. Il s'agit d'un cadre au-delà du Modèle Standard (BSM) qui apporte des solutions à des problèmes majeurs du Modèle Standard (SM), notamment la génération des masses de neutrinos et la présence de matière noire (DM) dans l'Univers. Le candidat DM dans ces modèles est stable grâce à une symétrie discrète supplémentaire, la symétrie Z_2. On peut envisager deux scénarios pour l'évolution de la densité de relique de la DM, compte tenu des fortes contraintes expérimentales qui s'exercent sur cette dernière. Le premier est le scénario de « freeze-out », dans lequel la densité de relique de la DM était numériquement importante dans l'Univers primitif et où les particules de DM s'annihilent à mesure que l'Univers s'étend. À un certain moment, au temps de « freeze-out », le taux d'expansion de l'Univers devient supérieur au taux d'interaction des particules de DM, les empêchant ainsi de s'annihiler davantage : la densité de relique restera alors « figée ». Le second scénario est le « freeze-in », dans lequel la densité de relique de la DM est numériquement faible, voire nulle, dans l'Univers primitif. Les particules de DM sont créées via les interactions dans le bain thermique, ce qui augmente progressivement la densité de relique. Comme pour le freeze-out, à un certain moment l'expansion l'emporte sur les interactions, et la densité de relique cesse d'évoluer.D'autres caractéristiques des modèles scotogéniques sont leur contribution aux masses des neutrinos et aux processus de violation de saveur leptonique au niveau d'une boucle, avec les champs BSM participant à cette boucle. Ces champs sont supposés se situer à l'échelle GeV-TeV, accessible aux collisionneurs actuels et futurs.Le deuxième sujet principal de mon travail concerne l'exploration d'espaces de paramètres de grande dimension. Puisque les modèles scotogéniques sont des extensions BSM, de nombreux nouveaux paramètres peuvent être contraints à l'aide de données expérimentales. La première méthode étudiée est la technique Monte Carlo par chaînes de Markov, reposant sur l'algorithme de Metropolis-Hastings. Des chaînes sont initialisées avec des points de départ aléatoires dans l'espace des paramètres et évoluent selon des règles fixes afin de converger vers le maximum local et/ou global de la vraisemblance. La deuxième technique est une stratégie d'apprentissage actif, utilisant un réseau de neurones profond (DNN). Dans cette approche, deux acteurs interviennent : d'une part le DNN, dont l'objectif est de minimiser sa fonction de perte pour améliorer la classification des points sélectionnés dans l'espace des paramètres ; d'autre part un Oracle, capable de juger si un ensemble de paramètres est « bon » ou « mauvais » et, le cas échéant, de fournir cette étiquette au DNN. Le réseau met alors à jour ses poids et biais grâce à un optimiseur choisi. Mon travail inclut enfin une comparaison de l'efficacité de cette stratégie d'apprentissage actif avec celle d'un simple scan aléatoire (sans contraintes expérimentales) et d'un scan MCMC.

My work is focused on two main topics, the first being scotogenic models. They are a Beyond Standard Model (BSM) framework that provides solutions to important Standard Model (SM) issues, especially the generation of neutrino masses and the presence of Dark Matter (DM) in the Univers. The scotogenic DM candidate is stable thanks to an extra discrete symmetry in the scotogenic models, the discrete Z_2 symmetry. We can consider two scenarios for the evolution of the DM relic density, having strong experimental constraints on the latter. The first one is the freeze-out scenario, in which the DM relic density was numerically large in the early Universe and the DM will annihilate as the Universe expands. At some point, at the ''freeze-out'' time, the expansion rate of the Universe will be higher than the interaction rate of the DM particles, forbidding them to annihilate further. Hence, the DM relic density will be ''frozen'' and will not evolve anymore. The second scenario is the “freeze-in” scenario, in which the DM relic density is numerically small, or even zero, in the early Universe. DM particles will be created through interactions of particles in the thermal bath, increasing the DM relic density. Like in the freeze-out scenario, at some point, the interaction rate will be higher than the interaction rate, and the DM relic density will not evolve anymore. Other features of the scotogenic models are the contribution to neutrino masses and to lepton flavor violating processes at the one-loop level, with the BSM fields being involved in the loop. These BSM fields are supposed to be at the GeV-TeV scale, an energy within reach of present and future colliders.The second main topic of my work concerns the scanning of high-dimensional parameter spaces. As the scotogenic models are BSM extensions, a lot of new parameters may be used to constrain the model using experimental data. The first explored method is the Markov Chain Monte Carlo technique based on the Metropolis-Hastings algorithm. Chains are deployed with random starting points in the parameter space and will evolve thanks to fixed rules in order to converge to the local and/or global maximimum of the likelihood. The second technique is an active learning strategy, making use of a Deep Neural Network. In this technique, we have two main actors, one is the DNN, its purpose is to minimize is loss function in order to make better classification on selected points in the parameter space. The second actor is an Oracle, that knows if a parameter set is a “good” or a “bad” one. It will provide the answer to the DNN in case of the latter being unable to classify the parameter set. The DNN will later update its weights and biases thanks to a chosen optimizer. My work includes a comparison of the efficiency of the active learning strategy to the one of a pure random scan (a scan without experimental restrictions on the parameter space) or an MCMC scan.