参数空间探索效率：基于 scotogenic 框架的案例研究

超标准模型现象学中的常见问题是，针对大量约束条件，探索多维参数空间。我们研究并比较两种适用于此挑战的方法，即蒙特卡洛链（MCMC）扫描和深度神经网络（DNN）。我们通过将其应用于不同的 scotogenic 框架来说明这两种方法，这些框架允许在生成单环级 neutrino 质量项的同时，包含可作为暗物质候选者的超标准模型扩展。我们的研究使我们能够在现象学层面和计算 effort 层面比较所用方法。我们发现，尽管从现象学角度看两种方法都得出了兼容的结论，但获得的数据集在细节层面存在差异，例如暗物质质量的分布。