P1 প্রতিবেদন ব্যাখ্যা — ঘূর্ণন বক্ররেখা থেকে দুর্বল লেন্সিং: EFT-এর গড় মাধ্যাকর্ষণ প্রতিক্রিয়া কীভাবে পরীক্ষা করা যায়

পাঠ নির্দেশনা

এটি একটি “ব্যাখ্যামূলক সংস্করণ”, আরেকটি একাডেমিক প্রতিবেদন নয়। এটি মূল P1 প্রতিবেদন অবলম্বনে তৈরি; মূল সারণি ও চিত্রগুলো রাখা হয়েছে, এবং প্রতিটি গুরুত্বপূর্ণ ধাপে “এর অর্থ কী” সে বিষয়ে সাধারণ পাঠকের জন্য ব্যাখ্যা যোগ করা হয়েছে।

এই লেখাটি শুধু P1-এর নির্ধারিত dataset, parameter ledger ও statistical protocol-এর অধীনে পাওয়া সিদ্ধান্ত ব্যাখ্যা করে: গ্যালাক্সির rotation curve (RC) এবং galaxy–galaxy weak lensing (GGL)-এর যৌথ পরীক্ষায় EFT-র গড় মাধ্যাকর্ষণ প্রতিক্রিয়া model এই লেখায় পরীক্ষিত ন্যূনতম DM_RAZOR baseline-কে স্পষ্টভাবে ছাড়িয়ে যায়।

এই লেখাটি P1-কে “অন্ধকার পদার্থ উল্টে দিয়েছে” এমন সিদ্ধান্ত হিসেবে পড়ে না। P1 P-series experiment-এর শুধু প্রথম ধাপ; এটি EFT-এর “গড় মাধ্যাকর্ষণ ভিত্তি” নামে একটি পর্যবেক্ষণযোগ্য স্তর পরীক্ষা করে, পূর্ণ EFT তত্ত্বের সব বিষয় নয়।

P1-এর সবচেয়ে কেন্দ্রীয় বাক্য

P1 তুলনার threshold-কে “একক fit ভালো কি না” থেকে “cross-probe closure হয় কি না”-এ উন্নীত করে। সঠিক mapping-এ ভালো performance এবং mapping shuffle করলে signal collapse—এই দুই একসঙ্গে দেখায় যে model সম্ভবত RC ও GGL-এর shared gravity structure ধরেছে।

সূচক

P1 / P1A-তে পাঠপদ্ধতি

সাধারণ পাঠকের বোঝা উচিত কীভাবে

joint fit ΔlogL_total

মূল পাঠের প্রধান তুলনায় EFT, DM_RAZOR-এর তুলনায় 1155–1337 এগিয়ে

দুই dataset একত্রে মোট score difference; যত বড়, সামগ্রিক ব্যাখ্যা তত ভালো।

closure strength ΔlogL_closure

মূল পাঠের প্রধান তুলনায় EFT 172–281, আর DM_RAZOR 127

শুধু RC দিয়ে inference করার পর GGL পূর্বাভাস দেওয়ার ক্ষমতা; যত বড়, তত বেশি “cross-probe self-consistent”।

negative control shuffle

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

সঠিক correspondence ভাঙলে advantage হারিয়ে যাওয়ার কথা; যত স্পষ্ট হারায়, false signal বাদ দিতে তত সাহায্য করে।

P1A বহু-DM pressure test

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

P1A শুধু ন্যূনতম DM_RAZOR দেখে না; এটি একাধিক নিম্ন-মাত্রিক, নিরীক্ষাযোগ্য DM enhancement branch-কে একই closure protocol-এ বসায়।

বাহ্যিক সাহিত্য পটভূমি: RC+GGL window এত গুরুত্বপূর্ণ কেন?

McGaugh, Lelli এবং Schombert 2016 সালে প্রস্তাবিত radial acceleration relation (RAR) দেখায় যে rotation curve থেকে অনুসৃত observed acceleration এবং baryonic matter দ্বারা predicted acceleration-এর মধ্যে ঘনিষ্ঠ সম্পর্ক আছে এবং scatter খুব কম। এতে “baryon–gravity response coupling” গ্যালাক্সি-স্কেল তত্ত্বের জন্য এড়ানো যায় না এমন সমস্যা হয়ে ওঠে।

Brouwer et al. 2021 সালে KiDS-1000 weak lensing দিয়ে RAR-কে lower acceleration ও বৃহত্তর radius পর্যন্ত প্রসারিত করেন এবং MOND, Verlinde emergent gravity ও LambdaCDM model তুলনা করেন; তারা একই সঙ্গে দেখান যে early/late-type galaxy difference, gas halo এবং galaxy–halo connection এখনও গুরুত্বপূর্ণ ব্যাখ্যামূলক সমস্যা।

Mistele et al. 2024 weak lensing দিয়ে isolated galaxy circular velocity curve উল্টোভাবে অনুমান করে জানান যে কয়েকশ kpc থেকে প্রায় 1 Mpc scale পর্যন্ত কোনো স্পষ্ট পতন দেখা যায় না, এবং BTFR-এর সঙ্গে সামঞ্জস্য আছে। এটি দেখায় যে weak lensing গ্যালাক্সি-স্কেল gravity response পরীক্ষা করার গুরুত্বপূর্ণ বাহ্যিক পাঠ হয়ে উঠছে।

P1 EFT-র কোন অংশ ধরছে?

P1 ধরছে “গড় মাধ্যাকর্ষণ ভিত্তি” (mean gravity floor): একটি statistically stable, sample-cross transferable average contribution।

P1 আপাতত “noise floor” (stochastic / noise floor) সামলাচ্ছে না: অর্থাৎ আরও সূক্ষ্ম micro-process থেকে আসতে পারে এমন random term, object-to-object difference বা extra scatter।

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

স্তর

প্রশ্ন

P1-এ অবস্থান

P1

গড় মাধ্যাকর্ষণ প্রতিক্রিয়া কি RC→GGL-এ ক্লোজ করতে পারে?

বর্তমান প্রতিবেদনের মূল প্রশ্ন

P1A

DM দিককে একটু শক্ত করলে সিদ্ধান্ত কি স্থির থাকে?

Appendix B: DM 7+1 + DM_STD pressure test

পরবর্তী P-series

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

পরবর্তী কাজের দিক

আরও গভীর স্তরের সমস্যা

গড় পদ, noise term ও micro mechanism কীভাবে যুক্ত হয়?

P1-এর সিদ্ধান্তের scope-এর বাইরে

পরবর্তীতে mapping tune করা যাবে না কেন?

যদি পরে বেছে নেওয়া যায় “কোন RC-bin কোন GGL-bin-এর সঙ্গে মিলবে”, model correspondence সাজিয়ে closure তৈরি করতে পারে। P1 আগে থেকেই 20→4 mapping lock করে এবং shuffle negative control দিয়ে ইচ্ছাকৃতভাবে সেটি ভাঙে—এটাই বোঝার জন্য যে closure signal সত্যিই পদার্থবৈজ্ঞানিকভাবে যুক্তিযুক্ত correspondence-এর ওপর নির্ভর করে কি না।

এই লেখায় ব্যবহৃত সুনির্দিষ্ট সিদ্ধান্তের ভাষা

মূল পাঠ: প্রধান তুলনায় EFT series ন্যূনতম DM_RAZOR-এর তুলনায় উল্লেখযোগ্যভাবে ভালো।

Appendix B / P1A: একাধিক নিম্ন-মাত্রিক, নিরীক্ষাযোগ্য DM enhancement branch এবং DM_STD pressure test-এর অধীনে DM-এর কিছু joint fit উন্নত হতে পারে, কিন্তু closure strength EFT_BIN-এর advantage মুছে দেয় না।

তাই সবচেয়ে স্থির ভাষা হলো: P1/P1A-এর data, mapping, parameter ledger এবং closure protocol-এর scope-এর মধ্যে EFT-র গড় মাধ্যাকর্ষণ প্রতিক্রিয়া বেশি শক্তিশালী cross-data consistency দেখায়; এটি সব অন্ধকার পদার্থ model বাদ দেওয়ার সমান নয়।

সহজ উপমা

closure test যেন cross-exam hall-এর দ্বিতীয় পরীক্ষা: model আগে RC hall-এ নিয়ম শেখে, তারপর GGL hall-এ উত্তর দেয়। যদি সে সত্যিই shared rule শেখে, local trick নয়, তবে field বদলালেও ভালো উত্তর দেওয়ার কথা; আর exam hall correspondence ইচ্ছাকৃতভাবে গুলিয়ে দিলে advantage হারানোর কথা।

প্রবেশপথ

কী দেখবেন

কেন গুরুত্বপূর্ণ

সারণি S1a

RC+GGL joint fit মোট score

উত্তর দেয়: “দুই dataset একসঙ্গে দেখলে কার সামগ্রিক ব্যাখ্যা শক্তিশালী?”

সারণি S1b

closure strength, shuffle, robustness scan

উত্তর দেয়: “RC থেকে শেখা জিনিস GGL-এ স্থানান্তরিত হতে পারে কি?”

সারণি B0

P1A-তে একাধিক DM enhancement branch-এর সংজ্ঞা

P1-কে “শুধু ন্যূনতম DM_RAZOR-এর সঙ্গে তুলনা” হিসেবে সরলীকরণ ঠেকায়।

সারণি B1

P1A-র closure ও joint scoreboard

DM enhancement-এর পর closure advantage মুছে যায় কি না পরীক্ষা করে।

layout note

পরের পৃষ্ঠা থেকে landscape page ব্যবহার করা হয়েছে, যাতে মূল প্রতিবেদনের wide table সম্পূর্ণ রাখা যায়—column কাটা বা অযোগ্যভাবে সংকুচিত না করে। মূল explanatory text আগে সাধারণ পাঠকের reading guide দিয়েছে; landscape technical table তাদের জন্য যারা number 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)

closure ΔlogL (true-perm)

negative-control shuffle-এর পর ΔlogL

σ_int scan-এ ΔlogL range

R_min scan-এ ΔlogL range

cov-shrink scan-এ 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

DM_RAZOR

NFW (fixed c–M, no scatter)

—

ন্যূনতম, নিরীক্ষাযোগ্য LambdaCDM halo baseline; EFT-এর সঙ্গে কঠোর তুলনার জন্য ব্যবহৃত

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

DM_RAZOR_SCAT

NFW + c–M scatter（legacy）

σ_logc

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

≤1 নতুন parameter; shared mapping বজায় থাকে; closure gain-কে acceptance criterion হিসেবে ব্যবহার করা হয়

DM_RAZOR_AC

NFW + Adiabatic Contraction（legacy）

α_AC

baryon infall halo-তে adiabatic contraction ঘটাতে পারে; one-parameter strength দিয়ে approximate করা হয়

≤1 নতুন 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 দিয়ে approximate করা হয়

≤1 নতুন parameter; closure/negative control একই মানদণ্ডে; RC-only improvement-কে একমাত্র লক্ষ্য ধরা হয় না

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-কে একসঙ্গে প্রভাবিত করে

explicit prior; latent c_i marginalize করা হয়; তবুও low-dimensional ও audit-friendly থাকে

DM_CORE1P

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

log r_core

high-dimensional star-formation detail এড়াতে one-parameter core proxy দিয়ে baryonic feedback-এর প্রধান effect ধরা হয়

standard literature cite করা হয়; ≤1 নতুন parameter; closure test-এর সঙ্গে বাঁধা

DM_RAZOR_M

NFW + lensing shear‑calibration nuisance

m_shear（GGL）

weak-lensing endpoint-এর গুরুত্বপূর্ণ systematic error effective parameter দিয়ে শোষণ করে, “systematic error-কে physics হিসেবে গণনা” করার ঝুঁকি কমায়

nuisance স্পষ্টভাবে হিসাবভুক্ত; RC-তে reverse influence অনুমোদিত নয়; ফলাফলে closure robustness প্রধান

DM_STD

Standardized DM baseline (HIER_CMSCAT + CORE1P + m)

σ_logc + log r_core (+ m_shear)

তিন ধরনের সাধারণ আপত্তিকে একই নিম্ন-মাত্রিক standard baseline-এ একত্রে আনা হয়

parameter ledger ও information criterion একসঙ্গে report; closure প্রধান metric; strongest DM defense comparison 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)

সারণি B1 কীভাবে পড়বেন (P1A scoreboard)

• Δk: নতুন degree of freedom (যত বড়, model তত complex; complex মানেই ভালো নয়)।

• প্রধানত দুই column দেখুন: closure strength ΔlogL_closure(Δ) (যত বড়, তত “transfer self-consistent”) এবং Joint best logL_total(Δ) (joint fit total score)।

• bracket-এর (Δ) DM_RAZOR-এর তুলনায় difference বোঝায়, সরাসরি তুলনার সুবিধার জন্য।

• এই সারণির প্রধান প্রশ্ন: DM baseline “reasonable enhancement” পাওয়ার পর closure advantage হারায় কি না।

• reading tip: DM_STD-এর joint score স্পষ্টভাবে উন্নত হয়, কিন্তু closure strength বরং কমে; EFT_BIN closure strength-এ এখনও উচ্চতর থাকে।

এক বাক্যে সারাংশ: এই নিম্ন-মাত্রিক, নিরীক্ষাযোগ্য DM enhancement range-এর মধ্যে joint fit উন্নত হওয়া নিজে থেকেই শক্তিশালী closure আনে না; closure বা transferability এখনও মূল criterion।

এই চিত্র কীভাবে পড়বেন

এই চিত্র P1-এর core। bar যত উঁচু, model RC থেকে শেখা তথ্য GGL-এ তত বেশি transfer করতে পারে।

EFT series সামগ্রিকভাবে DM_RAZOR-এর চেয়ে উঁচু; এটি দেখায় যে “আগে RC শেখা, পরে GGL পূর্বাভাস” পরীক্ষায় EFT-র cross-probe closure বেশি শক্তিশালী।

এই চিত্র কীভাবে পড়বেন

এই চিত্র RC ও GGL একত্র করার পর মোট score দেখায়।

EFT series সবই 0-এর অনেক ওপরে; অর্থাৎ প্রধান তুলনায় EFT-র advantage কোনো একটি local point phenomenon নয়, বরং joint analysis-এর সামগ্রিক performance।

এই চিত্র কীভাবে পড়বেন

এই চিত্র দেখায়: সঠিক RC↔GGL bin relation shuffle করলেই closure signal স্পষ্টভাবে নেমে যায়।

এতে P1-এর ফল arbitrary mapping-এ পাওয়া numerical coincidence-এর চেয়ে cross-data mapping-এর বাস্তব consistency বলে বেশি মনে হয়।

পরীক্ষা

কোন সন্দেহ বাদ দিতে চায়

পাঠপদ্ধতি

σ_int scan

RC-তে অতিরিক্ত অজানা scatter থাকলে সিদ্ধান্ত স্থির থাকে কি?

RC error relaxation-এর পরও EFT ranking ও advantage scale স্থিতিশীল থাকে।

R_min scan

গ্যালাক্সির central region পুরোপুরি বিশ্বাস না করলে সিদ্ধান্ত স্থির থাকে কি?

complex central region কেটে বাদ দেওয়ার পরও EFT positive advantage ধরে রাখে।

cov-shrink scan

GGL covariance estimate-এ uncertainty থাকলে সিদ্ধান্ত স্থির থাকে কি?

covariance diagonal matrix-এর দিকে shrink করার পর advantage সংবেদনশীল থাকে না।

ablation ladder

EFT কি অপ্রয়োজনীয় complexity দিয়ে জোর করে fit করছে?

পূর্ণ EFT_BIN information criterion-এ প্রয়োজনীয়তা দেখায়।

LOO left-out prediction

model কি শুধু দেখা data-ই ব্যাখ্যা করতে পারে?

GGL bin বাদ রাখার পরও তুলনামূলক শক্তিশালী generalization performance দেখায়।

RC-bin shuffle

closure কি true mapping থেকে এসেছে?

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

এই চিত্র কীভাবে পড়বেন

RC intrinsic-scatter setting বদলানোর পরও EFT lead থাকে কি না পরীক্ষা করে।

এই চিত্র কীভাবে পড়বেন

complex central region cut করার পরও EFT advantage স্থিতিশীল থাকে কি না পরীক্ষা করে।

এই চিত্র কীভাবে পড়বেন

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

এই চিত্র কীভাবে পড়বেন

পূর্ণ EFT_BIN data explanation-এ প্রয়োজনীয় কি না পরীক্ষা করে; এটি শুধু খালি parameter যোগ করছে কি না তা নয়।

এই চিত্র কীভাবে পড়বেন

unseen GGL bin-এ model-এর predictive performance থাকে কি না পরীক্ষা করে।

এই চিত্র কীভাবে পড়বেন

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

P1A-র প্রধান পাঠপদ্ধতি

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

DM_HIER_CMSCAT, DM_RAZOR_M এবং DM_CORE1P closure strength-এ খুব সামান্য প্রভাব ফেলে, অথবা স্পষ্ট net improvement দেখায় না।

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

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

এই চিত্র কীভাবে পড়বেন

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

এর অর্থ “সব DM বাদ” নয়; বরং দেখায় যে P1A বেছে নেওয়া নিম্ন-মাত্রিক, নিরীক্ষাযোগ্য DM enhancement range-এর মধ্যে enhancement DM, EFT_BIN-এর closure advantage মুছে দেয় না।

ইতিমধ্যে কি একই উচ্চতার RC+GGL prediction-closure framework আছে?

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

কিন্তু P1-এর সুনির্দিষ্ট claim “পৃথিবীতে অন্য কোনো framework RC+GGL ব্যাখ্যা করতে পারে না” নয়; বরং: P1 নিজে প্রকাশ করা fixed mapping, RC-only→GGL closure, shuffle negative control, parameter ledger এবং P1A multi-DM pressure test protocol-এর অধীনে EFT শক্তিশালী closure performance report করেছে।

অন্যভাবে বললে, বাইরের জগৎ P1-এ সবচেয়ে বেশি যা পরীক্ষা করা উচিত, তা হলো এটি একটি concrete, reproducible comparison protocol দেয়। MOND/RAR, LambdaCDM/HOD, hydrodynamical simulation বা অন্য modified gravity framework একই protocol-এর অধীনে সমান বা বেশি closure score পায় কি না—এটাই অত্যন্ত মূল্যবান পরবর্তী কাজ।

যা বলা যায়

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

যা বলা যায়

P1A-র নিম্ন-মাত্রিক, নিরীক্ষাযোগ্য 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 সঠিক cross-data mapping-এর ওপর নির্ভরশীল, arbitrary mapping-এর ওপর নয়।

যা বলা যায় না

বলা যায় না যে P1 সব অন্ধকার পদার্থ model উল্টে দিয়েছে। P1A এখনও non-sphericity, environmental dependence, complex galaxy–halo connection, high-dimensional feedback বা full cosmological simulation exhaustive করে না।

যা বলা যায় না

বলা যায় না যে পূর্ণ EFT তত্ত্ব first principles থেকে প্রমাণিত। P1 শুধু average gravity response-এর phenomenological layer পরীক্ষা করে।

যা বলা যায় না

বলা যায় না যে সব systematic error বাদ পড়েছে। P1 শুধু তালিকাভুক্ত pressure test ও audit range-এর মধ্যে robustness evidence দেয়।

পরিভাষা

এক বাক্যের ব্যাখ্যা

ঘূর্ণন বক্ররেখা (RC)

গ্যালাক্সি ডিস্কে radius–rotation-speed relation; disk plane-এর effective gravity উল্টোভাবে অনুমান করতে ব্যবহৃত।

দুর্বল লেন্সিং (GGL)

background galaxy shape-এর statistical distortion দিয়ে foreground galaxy-এর চারপাশে average gravity/mass distribution মাপে।

ক্লোজার পরীক্ষা

RC posterior দিয়ে GGL পূর্বাভাস দেয় এবং shuffled mapping negative control-এর সঙ্গে তুলনা করে।

নেতিবাচক নিয়ন্ত্রণ

ইচ্ছাকৃতভাবে মূল structure ভেঙে signal হারায় কি না দেখা; false signal বাদ দিতে ব্যবহৃত।

NFW halo

cold dark matter model-এ বহুল ব্যবহৃত dark-matter halo density profile।

c–M relation

dark-matter halo concentration c ও mass M-এর relation; scatter অনুমোদিত কি না তা model flexibility প্রভাবিত করে।

DM_STD

P1A-তে একাধিক নিম্ন-মাত্রিক DM enhancement ও lensing nuisance একত্র করা standardized DM pressure-test branch।

ΔlogL

একই scoring rule-এর অধীনে দুই model-এর log-likelihood difference; positive value মানে প্রথমটি ভালো।

covariance

data point-গুলোর পারস্পরিক correlation-এর matrix description; weak-lensing data সাধারণত full covariance ব্যবহার করতে হয়।

প্রধান archive entry

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 uses CC BY-NC-ND 4.0; full reproduction package uses CC BY 4.0 (technical report and Zenodo archive take precedence)।