P1 প্রতিবেদন ব্যাখ্যা — ঘূর্ণন বক্ররেখা থেকে দুর্বল লেন্সিং: শক্তি তন্তু তত্ত্ব (Energy Filament Theory, EFT)-এর গড় মাধ্যাকর্ষণীয় প্রতিক্রিয়া কীভাবে পরীক্ষা করা যায়

পাঠ-নোট

এটি একটি ব্যাখ্যামূলক সংস্করণ, আলাদা কোনো academic report নয়। এটি মূল P1 report-এর ভিত্তিতে লেখা, key figures ও tables ধরে রেখেছে, এবং প্রতিটি গুরুত্বপূর্ণ ধাপে “এর মানে কী” সে বিষয়ে সহজ ভাষার ব্যাখ্যা যোগ করেছে।

এই নথি শুধু P1 যে conclusion তার stated datasets, parameter ledger ও statistical protocol-এর অধীনে টানে, তা ব্যাখ্যা করে: galaxy rotation curves (RC) এবং galaxy-galaxy weak lensing (GGL)-এর joint test-এ EFT-এর mean gravitational response model এখানে পরীক্ষিত minimal DM_RAZOR baseline-কে স্পষ্টভাবে ছাড়িয়ে যায়।

এই নথি P1-কে “dark matter উল্টে দিয়েছে” এমন দাবি হিসেবে পড়ে না। P1 P-series experiment-এর প্রথম ধাপ মাত্র। এটি EFT-এর একটি observable layer—“mean gravity floor”—পরীক্ষা করে; সম্পূর্ণ EFT framework নয়।

P1-এর মূল বাক্য

P1 তুলনার মানদণ্ডকে “একটি probe ভালো fit করে কি না” থেকে “probe-অতিক্রমী closure হয় কি না” পর্যায়ে তোলে। correct mapping-এ শক্ত performance, আর shuffled mapping-এ signal collapse—এই দুই একসঙ্গে দেখালেই বোঝা যায় মডেলটি RC ও GGL-এর মধ্যে shared gravitational structure ধরতে পারে।

সূচক

P1 / P1A-তে পাঠ

সাধারণ ভাষায় অর্থ

Joint-fit ΔlogL_total

মূল তুলনায় EFT, DM_RAZOR-এর চেয়ে 1155–1337 বেশি

দুই ডেটাসেট মিলিয়ে total score gap; বেশি মানে overall explanation ভালো।

Closure strength ΔlogL_closure

মূল তুলনায় EFT 172–281; DM_RAZOR 127

শুধু RC থেকে inference করে GGL predict করার ক্ষমতা; বেশি মানে cross-probe self-consistency বেশি।

Negative-control shuffle

RC-bin→GGL-bin shuffle করার পর EFT-এর closure signal 6–23-এ নেমে যায়

সঠিক correspondence ভেঙে দিলে advantage অদৃশ্য হওয়ার কথা; পতন যত তীক্ষ্ণ, spurious signal বাদ দেওয়া তত সহজ।

P1A multi-DM stress test

DM 7+1 + DM_STD, এবং EFT_BIN control হিসেবে রাখা

P1A শুধু minimal DM_RAZOR দেখে না; একাধিক low-dimensional, auditable DM enhancement branch-কে একই closure protocol-এর অধীনে রাখে।

বাইরের সাহিত্য-পটভূমি: RC+GGL window কেন গুরুত্বপূর্ণ?

McGaugh, Lelli এবং Schombert 2016 সালে radial acceleration relation (RAR) প্রস্তাব করেন; এতে rotation curve-এ traced observed acceleration এবং baryonic matter থেকে predicted acceleration-এর মধ্যে tight, low-scatter correlation দেখা যায়। তাই galaxy-scale theory-র জন্য baryon–gravitational-response coupling এড়ানো যায় না।

Brouwer et al. (2021) KiDS-1000 weak lensing ব্যবহার করে RAR-কে lower acceleration ও larger radii পর্যন্ত প্রসারিত করেন, এবং MOND, Verlinde emergent gravity ও LambdaCDM model তুলনা করেন। তারা early-/late-type galaxy difference, gas halo এবং galaxy–halo connection-কে key explanatory issue হিসেবে চিহ্নিত করেন।

Mistele et al. (2024) weak lensing থেকে isolated galaxy-এর circular velocity curve আরও অনুমান করেন; তারা কয়েকশ kpc থেকে প্রায় 1 Mpc পর্যন্ত স্পষ্ট decline না থাকার কথা জানান, যা BTFR-এর সঙ্গে সামঞ্জস্যপূর্ণ। এটি দেখায় weak lensing galaxy-scale gravitational response পরীক্ষার গুরুত্বপূর্ণ external readout হয়ে উঠছে।

P1 EFT-এর কোন অংশ পরীক্ষা করে?

P1 “mean gravity floor” পরীক্ষা করে: statisticalভাবে stable এমন average contribution, যা sample অতিক্রম করে transfer করতে পারে।

P1 এখনো stochastic / noise floor নিয়ে কাজ করে না: microscopic fluctuation process থেকে আসতে পারে এমন random term, object-to-object variation বা extra scatter।

P1 complete microscopic mechanism, abundance, lifetime বা global cosmological constraint নিয়েও আলোচনা করে না। এটি P-series experiment-এর প্রথম ধাপ, চূড়ান্ত verdict নয়।

স্তর

যে প্রশ্ন করা হয়

P1-এ ভূমিকা

P1

mean gravitational response কি RC→GGL closure দিতে পারে?

বর্তমান report-এর main question

P1A

DM দিক শক্তিশালী করলে conclusion কি স্থিতিশীল থাকে?

Appendix B: DM 7+1 + DM_STD stress test

পরবর্তী P-series কাজ

protocol কি আরও data, আরও probe এবং আরও জটিল systematics-এ প্রসারিত করা যায়?

future-work direction

আরও গভীর প্রশ্ন

mean term, noise term এবং microscopic mechanism কীভাবে যুক্ত?

P1-এর conclusion scope-এর বাইরে

পরে mapping tune করা যাবে না কেন?

যদি পরে পছন্দ করে নেওয়া যেত কোন RC-bin কোন GGL-bin-এর সঙ্গে যাবে, তাহলে model correspondence সাজিয়ে closure বানিয়ে ফেলতে পারত। P1 আগেই 20→4 mapping lock করে এবং shuffle negative control দিয়ে ইচ্ছাকৃতভাবে তা ভাঙে—ঠিক এই কারণে, closure signal সত্যিই physics-সম্মত correspondence-এর ওপর নির্ভর করে কি না তা পরীক্ষা করতে।

এখানে ব্যবহৃত সঠিক conclusion wording

মূল লেখা: main comparison-এ EFT series, minimal DM_RAZOR-কে উল্লেখযোগ্যভাবে ছাড়িয়ে যায়।

Appendix B / P1A: কয়েকটি low-dimensional, auditable DM enhancement branch এবং DM_STD stress test জুড়ে কিছু DM joint fit উন্নত হয়, কিন্তু closure strength EFT_BIN-এর advantage মুছে দেয় না।

তাই সবচেয়ে নিরাপদ ভাষ্য হলো: P1/P1A-এর data, mapping, parameter ledger ও closure protocol-এর সীমার মধ্যে EFT-এর mean gravitational response stronger cross-data consistency দেখায়; এটি সব dark-matter model বাদ দেওয়ার সমান নয়।

সহজ উপমা

closure test এক ধরনের exam-room retest-এর মতো। model আগে RC exam room-এ pattern শেখে, তারপর GGL exam room-এ উত্তর দেয়। যদি সে local trick নয়, shared rule শিখে থাকে, তাহলে room বদলালেও তার ভালো করার কথা। exam-room correspondence ইচ্ছাকৃতভাবে scrambled করলে advantage অদৃশ্য হওয়ার কথা।

প্রবেশদ্বার

কী দেখবেন

কেন গুরুত্বপূর্ণ

সারণি S1a

RC+GGL joint-fit total score

প্রশ্নের উত্তর: দুই dataset একসঙ্গে দেখলে কার overall explanation বেশি শক্তিশালী?

সারণি S1b

closure strength, shuffle ও robustness scan

প্রশ্নের উত্তর: RC থেকে শেখা জিনিস GGL-এ transfer করা যায় কি?

সারণি B0

P1A-তে multiple DM enhancement branch-এর definition

P1-কে “শুধু minimum DM_RAZOR-এর সঙ্গে তুলনা” হিসেবে সরলীকরণ এড়ায়।

সারণি B1

P1A closure ও joint scoreboard

enhanced DM-এর পরে closure advantage মুছে যায় কি না পরীক্ষা করে।

বিন্যাস-নোট

পরের পৃষ্ঠা থেকে landscape page ব্যবহার করা হয়েছে, যাতে মূল প্রতিবেদনের wide table সম্পূর্ণ রাখা যায়—column বাদ না পড়ে এবং পাঠ অযোগ্যভাবে সংকুচিত না হয়। সাধারণ পাঠকের ব্যাখ্যা আগেই দেওয়া হয়েছে; landscape technical table তাদের জন্য, যারা value ও model branch যাচাই করতে চান।

মডেল (workspace)

W-kernel

k

joint logL_total (best)

ΔlogL_total vs DM

AICc

BIC

DM_RAZOR

none

20

-16927.763

0.0

33895.885

34010.811

EFT_BIN

none

21

-15590.552

1337.21

31223.501

31344.155

EFT_WEXP

exponential

21

-15668.83

1258.932

31380.057

31500.711

EFT_WYUK

yukawa

21

-15772.936

1154.827

31588.268

31708.922

EFT_WPOW

powerlaw_tail

21

-15633.321

1294.442

31309.038

31429.692

মডেল (workspace)

সমাপন ΔlogL (true-perm)

negative-control shuffle-এর পরে ΔlogL

σ_int scan ΔlogL range

R_min scan ΔlogL range

cov-shrink scan ΔlogL range

DM_RAZOR

126.678

22.725

—

—

—

EFT_BIN

231.611

14.984

459–1548

1243–1289

1337–1351

EFT_WEXP

171.977

6.04

408–1471

1169–1207

1259–1277

EFT_WYUK

179.808

14.688

380–1341

1065–1099

1155–1166

EFT_WPOW

280.513

6.672

457–1500

1203–1247

1294–1308

Workspace

dm_model

নতুন parameter (≤1)

পদার্থগত motivation (core)

implementation principle (audit-friendly)

DM_RAZOR

NFW (fixed c–M, no scatter)

—

minimum, auditable LambdaCDM halo baseline; EFT-এর সঙ্গে strict comparison-এর জন্য

shared mapping fixed; parameter ledger strict; baseline শুধু relative comparison-এর জন্য ব্যবহৃত

DM_RAZOR_SCAT

NFW + c–M scatter (legacy)

σ_logc

c–M relation-এ scatter আছে; one-parameter log-normal scatter দিয়ে approximate করা হয়েছে

≤1 new parameter; shared mapping বজায়; closure gain-কে acceptance criterion করা হয়েছে

DM_RAZOR_AC

NFW + Adiabatic Contraction (legacy)

α_AC

baryon infall halo adiabatic contraction ঘটাতে পারে; one-parameter strength approximation ব্যবহার করা হয়েছে

≤1 new parameter; mapping বদলায় না; AICc/BIC change ও closure gain report করা হয়

DM_RAZOR_FB

NFW + feedback core (legacy)

log r_core

feedback inner region-এ core তৈরি করতে পারে; one-parameter core scale approximation ব্যবহার করা হয়েছে

≤1 new parameter; closure/negative control same protocol; RC-only improvement একমাত্র target নয়

DM_HIER_CMSCAT

Hierarchical c–M scatter + prior

σ_logc (hier)

আরও standard hierarchical c_i∼logN(c(M_i),σ_logc); RC ও GGL joint posterior দুটিকেই প্রভাবিত করে

explicit prior; latent c_i marginalize করা হয়েছে; low-dimensional auditable structure বজায় থাকে

DM_CORE1P

1-parameter core proxy (coreNFW/DC14-inspired)

log r_core

one-parameter core proxy দিয়ে baryonic feedback-এর প্রধান effect ধরা হয়, high-dimensional star-formation details এড়ানো হয়

standard literature cite করা হয়েছে; ≤1 new parameter; closure test-এর সঙ্গে বাঁধা

DM_RAZOR_M

NFW + lensing shear-calibration nuisance

m_shear (GGL)

weak-lensing side-এর key systematic error effective parameter দিয়ে absorb করা হয়, যাতে “systematics-কে physics ভাবা” ঝুঁকি কমে

nuisance স্পষ্ট ledger-এ থাকে; RC-তে reverse influence allowed নয়; result closure robustness-কে কেন্দ্র করে

DM_STD

Standardized DM baseline (HIER_CMSCAT + CORE1P + m)

σ_logc + log r_core (+ m_shear)

সবচেয়ে common তিন ধরনের objection-কে একই low-dimensional standardized baseline-এ আনা হয়েছে

parameter ledger + information criterion একসঙ্গে report; closure প্রধান metric; strongest DM defense control হিসেবে ব্যবহৃত

Model branch (workspace)

Δk

RC-only best logL_RC (Δ)

Closure strength ΔlogL_closure (Δ)

Joint best logL_total (Δ)

DM_RAZOR

0

-15702.654 (+0.000)

122.205 (+0.000)

-27347.068 (+0.000)

DM_RAZOR_SCAT

1

-15702.294 (+0.361)

121.236 (-0.969)

-23153.311 (+4193.758)

DM_RAZOR_AC

1

-15703.689 (-1.035)

121.531 (-0.674)

-23982.557 (+3364.511)

DM_RAZOR_FB

1

-15496.046 (+206.609)

129.454 (+7.249)

-27478.531 (-131.463)

DM_HIER_CMSCAT

1

-15702.644 (+0.010)

121.978 (-0.227)

-23153.160 (+4193.908)

DM_CORE1P

1

-15723.158 (-20.504)

122.056 (-0.149)

-27336.258 (+10.810)

DM_RAZOR_M

0 (+m)

-15702.654 (+0.000)

122.205 (+0.000)

-27340.451 (+6.617)

DM_STD

2 (+m)

-15832.203 (-129.549)

105.690 (-16.515)

-22984.445 (+4362.623)

EFT_BIN

1

-14631.537 (+1071.117)

204.620 (+82.415)

-19001.142 (+8345.926)

Table B1 (P1A scoreboard) কীভাবে পড়বেন

• Δk: নতুন degrees of freedom; বড় মান মানে model বেশি complex, কিন্তু automatically ভালো নয়।

• দুই column-এ নজর দিন: closure strength ΔlogL_closure(Δ) (বড় মানে transfer self-consistency বেশি) এবং Joint best logL_total(Δ) (joint-fit total score)।

• parenthesis-এর (Δ) DM_RAZOR-এর তুলনায় difference দেখায়, যাতে সরাসরি comparison করা যায়।

• এই table-এর মূল প্রশ্ন: DM baseline যুক্তিসঙ্গতভাবে শক্তিশালী করলে closure advantage অদৃশ্য হয় কি না।

• reading hint: DM_STD joint score অনেক বাড়ায়, কিন্তু closure strength কমে; EFT_BIN closure strength-এ বেশি থাকে।

এক বাক্যে সারাংশ: এই low-dimensional, auditable DM enhancement set-এর মধ্যে joint fit উন্নত হলেই automatically stronger closure তৈরি হয় না; closure, অর্থাৎ transferability, এখনও key criterion।

এই চিত্র কীভাবে পড়বেন

এই চিত্র P1-এর কেন্দ্র। bar যত উঁচু, RC থেকে শেখা information তত ভালোভাবে GGL-এ transfer করে।

EFT series সামগ্রিকভাবে DM_RAZOR-এর চেয়ে উঁচু; অর্থাৎ “আগে RC শেখা, পরে GGL predict করা” পরীক্ষায় EFT-এর cross-probe closure বেশি শক্তিশালী।

এই চিত্র কীভাবে পড়বেন

এই চিত্র RC ও GGL একসঙ্গে fit করার পর total score দেখায়।

সব EFT variant শূন্যের অনেক ওপরে; অর্থাৎ main comparison-এ EFT advantage কোনো local one-point effect নয়, joint analysis-এর overall behavior।

এই চিত্র কীভাবে পড়বেন

এই চিত্র দেখায়, correct RC↔GGL binning relationship shuffle করলে closure signal তীব্রভাবে কমে।

তাই P1 result যেকোনো mapping-এ পাওয়া numerical coincidence-এর চেয়ে data mapping-এর real consistency-এর মতো বেশি দেখায়।

Test

যে প্রশ্ন বাদ দিতে চায়

Reading

σ_int scan

RC-তে অতিরিক্ত unknown scatter থাকলে conclusion কি স্থির থাকে?

RC error ঢিলে করার পর EFT ranking ও advantage scale স্থির থাকে।

R_min scan

galaxy central region পুরোপুরি বিশ্বাসযোগ্য না হলে conclusion কি স্থির থাকে?

central region কাটার পরও EFT positive advantage ধরে রাখে।

cov-shrink scan

GGL covariance estimate অনিশ্চিত হলে conclusion কি স্থির থাকে?

covariance diagonal-এর দিকে shrink করার পর advantage sensitive নয়।

Ablation ladder

EFT কি অপ্রয়োজনীয় complexity দিয়ে লাভ করছে?

information criteria অনুযায়ী full EFT_BIN প্রয়োজনীয়।

LOO held-out prediction

model কি শুধু দেখা data ব্যাখ্যা করতে পারে?

held-out GGL bin-তেও তুলনামূলক শক্ত generalization দেখা যায়।

RC-bin shuffle

closure কি true mapping থেকে আসে?

grouping shuffle করার পর closure কমে; mapping dependence সমর্থন করে।

এই চিত্র কীভাবে পড়বেন

assumed intrinsic RC scatter বদলালে EFT-এর lead থাকে কি না পরীক্ষা করে।

এই চিত্র কীভাবে পড়বেন

complex central region trim করার পর EFT advantage স্থির থাকে কি না পরীক্ষা করে।

এই চিত্র কীভাবে পড়বেন

weak-lensing covariance handling বদলালে ranking sensitive কি না পরীক্ষা করে।

এই চিত্র কীভাবে পড়বেন

full EFT_BIN data explanation-এর জন্য প্রয়োজনীয় কি না, শুধু parameter যোগ করছে কি না—তা পরীক্ষা করে।

এই চিত্র কীভাবে পড়বেন

model unseen GGL bin-তেও prediction performance ধরে রাখে কি না পরীক্ষা করে।

এই চিত্র কীভাবে পড়বেন

mean logL_true দৃষ্টিকোণ থেকেও আরও দেখায় যে closure সঠিক cross-data mapping-এর ওপর নির্ভর করে।

P1A-এর প্রধান পাঠ

তিনটি legacy branch-এর মধ্যে শুধু feedback/core closure strength-এ সামান্য net gain আনে; SCAT ও AC net closure gain আনে না।

DM_HIER_CMSCAT, DM_RAZOR_M এবং DM_CORE1P closure strength-এ খুব কম প্রভাব ফেলে, বা উল্লেখযোগ্য net gain দেখায় না।

DM_STD joint logL উল্লেখযোগ্যভাবে উন্নত করতে পারে, কিন্তু closure strength কমে যায়; এতে বোঝা যায় এটি মূলত joint-fit flexibility বাড়ায়, RC→GGL transfer-prediction power নয়।

P1A Table B1-এ EFT_BIN এখনও বেশি closure strength ও joint-fit advantage ধরে রাখে। তাই P1-এর core claim-কে “এটি শুধু minimal DM_RAZOR-কে হারিয়েছে” বলে সরলীকরণ করা উচিত নয়।

এই চিত্র কীভাবে পড়বেন

এই চিত্র দেখায় baseline-এর তুলনায় একাধিক DM enhancement branch কেমন করে।

এর অর্থ “সব DM বাদ”—তা নয়। বরং P1A বেছে নেওয়া low-dimensional, auditable DM enhancement-এর সীমায় DM শক্তিশালী করলেও EFT_BIN-এর closure advantage মুছে যায় না।

সমান শক্তিশালী RC+GGL predictive-closure framework কি আগে থেকেই আছে?

সম্পর্কিত framework ও observational tradition আছে। MOND/RAR বহু rotation-curve phenomenon ভালোভাবে সংগঠিত করে; KiDS-1000 weak-lensing RAR কাজও MOND, Verlinde emergent gravity এবং LambdaCDM model তুলনা করে। LambdaCDM galaxy–halo connection, gas halo এবং feedback modeling দিয়ে weak-lensing/dynamical phenomenology-এর কিছু অংশও ব্যাখ্যা করতে পারে।

কিন্তু P1-এর precise claim হলো না যে আর কোনো framework RC+GGL ব্যাখ্যা করতে পারে না। দাবি হলো: P1-এর নিজস্ব public fixed mapping, RC-only→GGL closure, shuffle negative control, parameter ledger এবং P1A multi-DM stress-test protocol-এর অধীনে EFT stronger closure performance report করে।

অন্যভাবে বললে, P1-এর যে অংশ বাইরের পরীক্ষা সবচেয়ে বেশি দাবি করে, তা হলো এর concrete, reproducible comparison protocol। MOND/RAR, LambdaCDM/HOD, hydrodynamical simulation বা অন্য modified-gravity framework একই protocol-এ সমান বা বেশি closure score পায় কি না—এটি পরবর্তী কাজের খুবই মূল্যবান দিক।

যা বলা যায়

P1-এর RC+GGL data, fixed mapping এবং main comparison protocol-এর অধীনে EFT series-এর joint-fit ও closure strength minimal DM_RAZOR-এর চেয়ে বেশি।

যা বলা যায়

P1A-এর low-dimensional, auditable DM enhancement range-এর মধ্যে একাধিক DM enhancement EFT_BIN-এর closure advantage মুছে দেয় না।

যা বলা যায়

shuffle negative control দেখায় closure signal correct cross-data mapping-এর ওপর নির্ভর করে; arbitrary mapping থেকে তা পাওয়া যায় না।

যা বলা যায় না

P1 সব dark-matter model উল্টে দেয় না। P1A এখনো nonsphericity, environmental dependence, complex galaxy–halo connection, high-dimensional feedback বা full cosmological simulation শেষ করে না।

যা বলা যায় না

P1 complete EFT theory-কে first principles থেকে প্রমাণ করে না। এটি শুধু mean gravitational response-এর phenomenological layer পরীক্ষা করে।

যা বলা যায় না

P1 সব systematic বাদ দেয় না। এটি listed stress test ও audit scope-এর ভেতরেই robustness evidence দেয়।

Term

এক বাক্যের ব্যাখ্যা

ঘূর্ণন বক্ররেখা (RC)

galaxy disk-এর radius–velocity relation; disk plane-এর effective gravity অনুমান করতে ব্যবহৃত।

দুর্বল লেন্সিং (GGL)

background-galaxy shape-এর statistical distortion দিয়ে foreground galaxy-এর চারপাশের average gravitational/mass distribution মাপে।

Closure test

RC posterior দিয়ে GGL predict করে; পরে shuffled-mapping negative control-এর সঙ্গে তুলনা করে।

Negative control

key structure ইচ্ছাকৃতভাবে ভেঙে signal অদৃশ্য হয় কি না দেখা; spurious signal বাদ দিতে ব্যবহৃত।

NFW halo

cold-dark-matter model-এ প্রচলিত dark-matter halo density profile।

c–M relation

halo concentration c এবং mass M-এর relation; scatter অনুমোদন করলে model flexibility বদলে যায়।

DM_STD

P1A-র standardized DM stress-test branch, যা multiple low-dimensional DM enhancement এবং lensing nuisance parameter একত্র করে।

ΔlogL

একই scoring rule-এ দুই model-এর log-likelihood difference; positive value মানে প্রথম model ভালো করে।

Covariance

data point-গুলির পারস্পরিক correlation-এর matrix description; weak-lensing data সাধারণত full covariance matrix চায়।

প্রধান archive entry points

P1 technical report (release-level, Concept DOI): 10.5281/zenodo.18526334

P1 full reproduction package (Concept DOI): 10.5281/zenodo.18526286

EFT structured knowledge base (optional, Concept DOI): 10.5281/zenodo.18853200

License note: technical report CC BY-NC-ND 4.0 ব্যবহার করে; full reproduction package CC BY 4.0 ব্যবহার করে (technical report ও Zenodo archive record অনুযায়ী)।