از منحنیهای چرخش تا عدسیگری ضعیف: چگونه پاسخ گرانشی میانگین نظریهٔ فیلامنت انرژی (Energy Filament Theory, EFT) سنجیده میشود
یادداشت خواندن |
این متن یک توضیحنامه است، نه یک گزارش دانشگاهی مستقل. بر پایهٔ گزارش اصلی P1 نوشته شده، شکلها و جدولهای کلیدی را حفظ کرده و در هر گام مهم توضیح سادهٔ «این یعنی چه» را افزوده است. |
این سند فقط نتیجههایی را توضیح میدهد که P1 با دادهها، دفتر پارامترها و پروتکل آماریِ اعلامشدهٔ خود به آنها میرسد: در آزمون مشترک منحنیهای چرخش کهکشانها (RC) و عدسیگری ضعیف کهکشان–کهکشان (GGL)، مدل پاسخ گرانشی میانگین EFT بهطور چشمگیر از خط پایهٔ حداقلی DM_RAZOR که اینجا آزموده شده بهتر عمل میکند. |
این سند P1 را بهمعنای ادعای «سرنگونی مادهٔ تاریک» نمیخواند. P1 فقط نخستین گام در آزمایشهای سری P است. این آزمون یک لایهٔ مشاهدهپذیر از EFT را میسنجد—«بستر میانگین گرانش»—نه کل چارچوب EFT را. |
0｜در پنج دقیقه P1 را بفهمیم: این آزمون دقیقاً چه میکند؟
میتوان P1 را یک آزمون «راستیآزمایی میانکاوشگر» دانست. مسئله فقط این نیست که آیا یک مدل میتواند یک مجموعهداده را برازش کند یا نه؛ P1 دو خوانش کاملاً متفاوت از گرانش را روی یک میز حسابرسی میگذارد: منحنیهای چرخش (RC) دینامیک درون قرصهای کهکشانی را میخوانند، و عدسیگری ضعیف کهکشان–کهکشان (GGL) پاسخ گرانشیِ تصویرشده را در مقیاسهای بزرگتر میخواند.
- RC مانند سرعتسنج عمل میکند: نشان میدهد گاز و ستارهها در شعاعهای مختلفِ قرص کهکشانی با چه سرعتی به دور مرکز میگردند.
- GGL بیشتر شبیه ترازوست: از خمشدن اندک نورِ پسزمینه به دست کهکشانهای پیشزمینه، توزیع میانگین گرانش یا جرم پیرامون آنها را استنباط میکند.
- پرسش مرکزی P1 این است: آیا یک مدل واحد میتواند نخست از RC الگو بیاموزد، سپس همان الگو را به GGL منتقل کند و همچنان معنادار بماند؟
جملهٔ محوری P1 |
P1 آستانهٔ مقایسه را از «آیا یک کاوشگر را خوب برازش میکند؟» به «آیا میان کاوشگرها بسته میشود؟» بالا میبرد. عملکرد قوی زیر نگاشت درست و سپس فروپاشی سیگنال زیر نگاشت shuffle شده همان چیزی است که نشان میدهد مدل شاید ساختار گرانشیِ مشترک میان RC و GGL را گرفته باشد. |
جدول 0｜اعداد اصلی P1 و خوانش ساده برای خوانندهٔ عمومی
شاخص | خوانش در P1 / P1A | معنای ساده |
برازش مشترک ΔlogL_total | در مقایسهٔ اصلی، EFT نسبت به DM_RAZOR به اندازهٔ 1155–1337 بالاتر است | شکاف امتیاز کل روی هر دو مجموعهداده؛ هرچه بالاتر باشد، توضیح کلی بهتر است. |
قدرت بستهشدن ΔlogL_closure | در مقایسهٔ اصلی، EFT برابر 172–281 است؛ DM_RAZOR برابر 127 است | توانایی پیشبینی GGL پس از استنباط فقط از RC؛ هرچه بالاتر باشد، خودسازگاری میانکاوشگر بیشتر است. |
shuffle شاهد منفی | پس از shuffle کردن RC-bin→GGL-bin، سیگنال بستهشدن EFT به 6–23 کاهش مییابد | اگر تناظر درست شکسته شود، مزیت باید ناپدید شود؛ هرچه افت تندتر باشد، سیگنال کاذب را بیشتر کنار میزند. |
آزمون فشار چندمدلی DM در P1A | DM 7+1 + DM_STD، با حفظ EFT_BIN بهعنوان کنترل | P1A فقط DM_RAZOR حداقلی را نمیسنجد؛ چند شاخهٔ تقویتی DM با بُعد پایین و حسابرسیپذیر را زیر همان پروتکل بستهشدن میگذارد. |
1｜چرا P1 انجام میشود؟ کیهانشناسیِ مقیاس کهکشانی کجا گیر میکند؟
مسائل مقیاس کهکشانی دشوار ماندهاند، چون نیاز به «گرانش/جرم اضافی» فقط یک پدیدهٔ منحنی چرخش نیست. مشاهدات فراوان نشان میدهند میان مادهٔ باریونیِ مرئی در کهکشانها و خوانشهای واقعیِ دینامیکی یا عدسیگری پیوندی فشرده وجود دارد. در مسیر مادهٔ تاریک، این یعنی هالههای تاریک، بازخورد باریونی، تاریخچهٔ شکلگیری کهکشان و خطاهای سامانهایِ رصدی باید با دقتی بسیار بالا هماهنگ شوند. در مسیرهای گرانشیِ غیرمادهٔ تاریک نیز یعنی مدل نمیتواند فقط روی RC خوب به نظر برسد؛ باید در عدسیگری ضعیف، روابط مقیاسگذاری جمعیتی و شاهدهای منفی هم دوام بیاورد.
انگیزهٔ طراحی P1 دقیقاً همین است. این آزمون از گزارهٔ «مادهٔ تاریک اشتباه است» یا «EFT حتماً درست است» شروع نمیکند. یک ادعای آزمونپذیر را روی میز حسابرسی میگذارد: آیا پاسخ گرانشی میانگین در EFT میتواند در بستهشدن میانکاوشگر RC→GGL نشانهای بازتولیدپذیر و قابلانتقال برجای بگذارد؟
زمینهٔ ادبیات بیرونی: چرا پنجرهٔ RC+GGL مهم است؟ |
رابطهٔ شتاب شعاعی (RAR) که McGaugh، Lelli و Schombert در 2016 پیشنهاد کردند، همبستگی فشرده و کمپراکندگی میان شتاب مشاهدهشده از منحنیهای چرخش و شتاب پیشبینیشده از مادهٔ باریونی را نشان میدهد. این امر کوپلینگ باریون–پاسخ گرانشی را برای نظریهٔ مقیاس کهکشانی گریزناپذیر میکند. |
Brouwer و همکاران (2021) با عدسیگری ضعیف KiDS-1000، RAR را به شتابهای پایینتر و شعاعهای بزرگتر گسترش دادند و MOND، گرانش پدیدار Verlinde و مدلهای LambdaCDM را مقایسه کردند. آنها همچنین یادآور شدند که تفاوت کهکشانهای زودنوع/دیرنوع، هالههای گازی و پیوندهای کهکشان–هاله همچنان مسئلههای کلیدیِ توضیحی هستند. |
Mistele و همکاران (2024) نیز با استفاده از عدسیگری ضعیف، منحنیهای سرعت دایرهای کهکشانهای منزوی را استنباط کردند و گزارش دادند که تا صدها kpc و حتی نزدیک 1 Mpc افت آشکاری دیده نمیشود و این با BTFR سازگار است. این نشان میدهد عدسیگری ضعیف به خوانش بیرونی مهمی برای آزمودن پاسخ گرانشی در مقیاس کهکشانی تبدیل شده است. |
ارزش P1، بنابراین، در این نیست که نخستین بحث مشترک دربارهٔ RC و GGL باشد. ارزش آن در این است که این دو را درون پروتکلی حسابرسیپذیر قرار میدهد: نگاشت ثابت، دفتر پارامترها، بستهشدن RC-only→GGL، شاهدهای منفیِ shuffle و آزمون فشار چندمدلیِ DM در P1A.
2｜EFT در P1 به چه معناست؟ منظور نظریهٔ میدان مؤثر نیست
در اینجا EFT به معنای نظریهٔ فیلامنت انرژی (Energy Filament Theory) است، نه نظریهٔ میدان مؤثر (Effective Field Theory) رایج در فیزیک. در گزارش فنی P1، EFT بهصورت آگاهانه محدود به کار رفته است: بهعنوان یک نظریهٔ نهاییِ کامل وارد مسابقه نمیشود، بلکه نخست به پارامتریسازیِ مشاهدهپذیر، قابلبرازش و ابطالپذیرِ «پاسخ گرانشی میانگین» فشرده میشود.
به زبان ساده، P1 هنوز دربارهٔ همهٔ سرچشمههای ریزمقیاسِ گرانش اضافی بحث نمیکند و نمیخواهد کل چارچوب EFT را در یک گام اثبات کند. پرسشی باریکتر و سختتر میپرسد: اگر در مقیاس کهکشانی نوعی پاسخ گرانشیِ اضافیِ میانگین وجود داشته باشد، آیا میتواند نخست RC را توضیح دهد و سپس GGL را پیشبینی کند؟
P1 کدام بخش از EFT را میآزماید؟ |
P1 «بستر میانگین گرانش» را میآزماید: سهمی میانگین، از نظر آماری پایدار و قابلانتقال میان نمونهها. |
P1 هنوز به بستر تصادفی / نویزی نمیپردازد: یعنی جملههای تصادفی، تفاوت شیءبهشیء یا پراکندگی اضافی که ممکن است از فرایندهای نوسانیِ ریزمقیاستر برخیزند. |
P1 همچنین سازوکار کامل ریزمقیاس، فراوانی، طول عمر یا قیدهای کیهانشناختی جهانی را بررسی نمیکند. این نخستین گام در آزمایشهای سری P است، نه داوری نهایی. |
3｜برنامهٔ سری P1: چرا گام نخست از «بستر میانگین» شروع میشود؟
سری P را میتوان برنامهٔ بازیابی رصدی EFT دانست. این برنامه همهٔ ادعاها را یکباره روی میز نمیگذارد؛ ابتدا بخشی را جدا میکند که دادههای عمومی مستقیمتر میتوانند بیازمایند. راهبرد P1 آزمودن جملهٔ میانگین است: اگر پاسخ گرانشی میانگین حتی نتواند RC→GGL را ببندد، ورود به بحث دربارهٔ جملههای نویزی پیچیدهتر یا سازوکارهای ریزمقیاس پشتوانهٔ محکمی نخواهد داشت.
جدول 1｜جایگاه لایهای سری P
لایه | پرسشی که پرسیده میشود | نقش در P1 |
P1 | آیا پاسخ گرانشی میانگین میتواند RC→GGL را ببندد؟ | پرسش اصلی گزارش حاضر |
P1A | اگر سوی DM تقویت شود، آیا نتیجه پایدار میماند؟ | پیوست B: آزمون فشار DM 7+1 + DM_STD |
کارهای بعدی سری P | آیا پروتکل میتواند به دادههای بیشتر، کاوشگرهای بیشتر و سامانهایهای پیچیدهتر گسترش یابد؟ | جهت کار آینده |
پرسشهای عمیقتر | جملهٔ میانگین، جملهٔ نویز و سازوکار ریزمقیاس چگونه به هم وصل میشوند؟ | بیرون از دامنهٔ نتیجهگیری P1 |
4｜دادهها چیستند؟ RC و GGL هر کدام چه میگویند؟
4.1 منحنیهای چرخش (RC): سنجهٔ سرعت در قرص کهکشانی
منحنی چرخش ثبت میکند که گاز و ستارهها در شعاعهای مختلف با چه سرعتی به دور مرکز یک کهکشان میگردند. هرچه حرکت سریعتر باشد، نیروی مرکزگرای لازم در آن شعاع بیشتر است؛ یعنی کشش گرانشیِ مؤثر قویتر است. P1 از پایگاه دادهٔ SPARC استفاده میکند؛ پس از پیشپردازش، 104 کهکشان، 2,295 نقطهٔ دادهٔ سرعت و 20 bin مربوط به RC وارد آزمون میشوند.
4.2 عدسیگری ضعیف (GGL): ترازوی گرانشی در مقیاسهای بزرگتر
عدسیگری ضعیف کهکشان–کهکشان میسنجد که کهکشانهای پیشزمینه چگونه نور کهکشانهای پسزمینه را اندکی خم میکنند. این خوانش با پاسخ گرانشیِ تصویرشده در مقیاسهای بزرگتر و هالهمانند متناظر است و به جزئیات دینامیک گاز در قرص کهکشانی وابسته نیست. P1 از دادههای عمومی GGL در KiDS-1000 / Brouwer و همکاران 2021 استفاده میکند: چهار bin جرم ستارهای، 15 نقطهٔ شعاعی برای هر bin، در مجموع 60 نقطهٔ داده، همراه با ماتریس کوواریانس کامل.
4.3 نگاشت ثابت: چرا 20 bin مربوط به RC → 4 bin مربوط به GGL مهم است؟
P1 بیست bin مربوط به RC را با چهار bin مربوط به GGL از راه قاعدهای ثابت وصل میکند: هر bin در GGL با پنج bin در RC متناظر است و با وزن تعداد کهکشانها میانگینگیری میشود. این نگاشت برای همهٔ مدلها بدون تغییر میماند و بنابراین قید سختِ آزمون بستهشدن و مقایسهٔ منصفانه است.
چرا نگاشت را پس از مشاهدهٔ نتیجه تنظیم نکنیم؟ |
اگر پس از مشاهدهٔ نتیجه بتوان انتخاب کرد کدام RC-bin ها با کدام GGL-bin ها متناظر باشند، یک مدل ممکن است با چیدن دوبارهٔ تناظرها بستهشدن مصنوعی بسازد. P1 نگاشت 20→4 را از پیش قفل میکند و سپس آن را با شاهد منفیِ shuffle عمداً میشکند، دقیقاً برای اینکه بسنجد آیا سیگنال بستهشدن به تناظری از نظر فیزیکی معقول وابسته است یا نه. |
5｜مدلها و روش: P1 دقیقاً چه چیزهایی را مقایسه میکند؟
5.1 سوی EFT: پاسخ گرانشی میانگین با بُعد پایین
در سوی EFT، یک جملهٔ سرعتِ اضافی با بُعد پایین پاسخ گرانشی میانگین را توصیف میکند. شکل این جملهٔ اضافی با تابع هستهٔ بیبُعد f(r/ℓ) کنترل میشود؛ ℓ یک مقیاس جهانی است و دامنه بر پایهٔ bin های RC داده میشود. هستههای مختلف شیب آغازین، سرعت گذار و دُم بلندبرد متفاوتی را نمایندگی میکنند و برای آزمون فشارِ استحکام به کار میروند.
5.2 سوی DM: مقایسهٔ اصلی و پیوست P1A را باید جدا خواند
در مقایسهٔ اصلی، DM_RAZOR یک خط پایهٔ NFW کمینهشده و حسابرسیپذیر است: رابطهٔ c–M ثابت دارد و پراکندگیِ هالهبههاله، انقباض آدیاباتیک، هستهٔ بازخوردی، ناکرویبودن یا جملهٔ محیطی را وارد نمیکند. مزیت آن آزادی کنترلشده و بازتولید آسان است؛ محدودیت آن این است که نمایندهٔ همهٔ LambdaCDM یا همهٔ مدلهای هالهٔ مادهٔ تاریک نیست.
به همین دلیل، پیوست B (P1A) سوی DM را به مجموعهای از آزمونهای فشارِ استاندارد تبدیل میکند. بدون تغییر نگاشت مشترک یا پروتکل بستهشدن، شاخههای تقویتیِ کمبُعدی مانند SCAT، AC، FB، HIER_CMSCAT، CORE1P، مزاحم عدسیگری m و خط پایهٔ ترکیبی DM_STD بهتدریج افزوده میشوند و EFT_BIN نیز بهعنوان کنترل حفظ میشود. میتوان P1A را چنین خواند: بهجای مقایسه فقط با یک خط پایهٔ حداقلی DM، چند سازوکار رایج و قابلحسابرسیِ DM زیر همان «خطکش بستهشدن» سنجیده میشوند.
صورتبندی دقیق نتیجهگیری که اینجا به کار میرود |
متن اصلی: سری EFT در مقایسهٔ اصلی، از DM_RAZOR حداقلی بهطور معنادار بهتر عمل میکند. |
پیوست B / P1A: در چند شاخهٔ تقویتی DM با بُعد پایین و حسابرسیپذیر و آزمون فشار DM_STD، برخی برازشهای مشترک DM بهتر میشوند، اما قدرت بستهشدن مزیت EFT_BIN را از میان نمیبرد. |
امنترین بیان بنابراین این است: در چارچوب دادهها، نگاشت، دفتر پارامترها و پروتکل بستهشدن P1/P1A، پاسخ گرانشی میانگین EFT سازگاری قویتری میان دادهها نشان میدهد؛ این با کنارگذاشتن همهٔ مدلهای مادهٔ تاریک یکی نیست. |
5.3 آزمون بستهشدن: مهمترین منطق آزمایشی P1
1. فقط با RC برازش انجام میشود و مجموعهای از نمونههای پسینِ RC-only به دست میآید.
2. اجازهٔ تنظیم دوباره با GGL داده نمیشود؛ پسینِ RC مستقیماً برای پیشبینی GGL به کار میرود.
3. با کوواریانس کامل، امتیاز پیشبینی GGL در نگاشت درست، logL_true، محاسبه میشود.
4. تناظر RC-bin→GGL-bin بهطور تصادفی جایگشت میشود و امتیاز شاهد منفی، logL_perm، محاسبه میگردد.
5. با تفاضل این دو، قدرت بستهشدن به دست میآید: ΔlogL_closure = <logL_true> − <logL_perm>.
قیاس ساده |
آزمون بستهشدن مانند امتحان دوباره در اتاقی دیگر است. مدل نخست الگو را در اتاق آزمون RC یاد میگیرد و سپس در اتاق GGL پاسخ میدهد. اگر قاعدهای مشترک آموخته باشد نه ترفندی محلی، پس پس از جابهجایی اتاق هم باید خوب عمل کند. اگر تناظر اتاقهای آزمون عمداً بههم ریخته شود، مزیت باید ناپدید شود. |
5.4 پیش از خواندن جدولهای فنی: چهار نقطهٔ ورود
جدول 5.4｜مسیر خواندن برای مجموعهٔ بعدی جدولهای فنیِ افقی
نقطهٔ ورود | به چه چیز نگاه کنیم | چرا مهم است |
جدول S1a | امتیاز کل برازش مشترک RC+GGL | پاسخ میدهد: روی هر دو مجموعهداده، توضیح کلیِ کدام طرف قویتر است؟ |
جدول S1b | قدرت بستهشدن، shuffle و پویشهای استحکام | پاسخ میدهد: آیا آنچه RC میآموزد به GGL منتقل میشود؟ |
جدول B0 | تعریف چند شاخهٔ تقویتی DM در P1A | مانع میشود P1 به «فقط مقایسه با DM_RAZOR حداقلی» فروکاسته شود. |
جدول B1 | تابلوی بستهشدن و امتیاز مشترک P1A | بررسی میکند آیا پس از تقویت DM، مزیت بستهشدن ناپدید میشود یا نه. |
یادداشت چیدمان |
صفحهٔ بعدی برای حفظ جدولهای عریض گزارش اصلی، بدون حذف ستونها یا فشردهسازی تا حد ناخوانایی، به چیدمان افقی میرود. متن اصلی پیشتر خوانش ساده را داده است؛ جدولهای فنیِ افقی برای خوانندگانیاند که باید اعداد و شاخههای مدل را راستیآزمایی کنند. |
شکل 0.1｜نمای کلی گردشکار آزمون بستهشدن P1
یادداشت: زنجیرهٔ بالایی «آزمون بستهشدن» است: برازش فقط با RC → استفاده از پسینِ RC برای پیشبینی GGL. زنجیرهٔ پایینی «برازش مشترک» است: امتیازدهی RC+GGL با هم. در سمت راست، نگاشت واقعی با نگاشت shuffle مقایسه میشود تا قدرت بستهشدن ΔlogL به دست آید.
6｜جدولهای فنی کلیدی: جدولهای گزارش اصلی و جدولهای P1A
جدول S1a｜شاخصهای اصلی مقایسهٔ برازش مشترک (RC+GGL، سختگیرانه؛ حفظشده از گزارش اصلی)
مدل (workspace) | هستهٔ W | k | برازش مشترک logL_total (بهترین) | 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 |
جدول S1b｜شاخصهای بستهشدن و استحکام (سختگیرانه؛ حفظشده از گزارش اصلی)
مدل (workspace) | بستهشدن ΔlogL (true-perm) | ΔlogL شاهد منفی پس از shuffle | دامنهٔ ΔlogL در پویش σ_int | دامنهٔ ΔlogL در پویش R_min | دامنهٔ ΔlogL در پویش cov-shrink |
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 |
جدول B0｜تعریف شاخههای تقویتی DM در P1A (حفظشده از پیوست B گزارش اصلی)
Workspace | مدل DM | پارامترهای تازه (≤1) | انگیزهٔ فیزیکی (هسته) | اصل پیادهسازی (دوستدار حسابرسی) |
DM_RAZOR | NFW (fixed c–M, no scatter) | — | خط پایهٔ کمینه و حسابرسیپذیرِ هالهٔ LambdaCDM؛ فقط برای مقایسهٔ سختگیرانه با EFT به کار میرود | نگاشت مشترک ثابت؛ دفتر پارامتر سختگیرانه؛ فقط خط پایهٔ مقایسهٔ نسبی |
DM_RAZOR_SCAT | NFW + پراکندگی c–M (میراثی) | σ_logc | پراکندگی در رابطهٔ c–M را مجاز میکند؛ با پراکندگی لگنرمال تکپارامتری تقریب زده میشود | ≤1 پارامتر تازه؛ همچنان از نگاشت مشترک استفاده میکند؛ معیار پذیرش، افزایش بستهشدن است |
DM_RAZOR_AC | NFW + انقباض آدیاباتیک (میراثی) | α_AC | فروریزش باریونی ممکن است انقباض آدیاباتیک هاله را برانگیزد؛ با یک پارامتر شدت تقریب زده میشود | ≤1 پارامتر تازه؛ نگاشت بدون تغییر؛ تغییرات AICc/BIC و افزایش بستهشدن گزارش میشود |
DM_RAZOR_FB | NFW + هستهٔ بازخوردی (میراثی) | log r_core | بازخورد ممکن است هستهٔ درونی بسازد؛ با یک مقیاس هستهٔ تکپارامتری تقریب زده میشود | ≤1 پارامتر تازه؛ همان پروتکل بستهشدن/شاهد منفی؛ بهبود RC-only هدف یگانه نیست |
DM_HIER_CMSCAT | Hierarchical c–M scatter + prior | σ_logc (سلسلهمراتبی) | یک c_i∼logN(c(M_i), σ_logc) سلسلهمراتبیِ استانداردتر؛ پسین مشترک RC و GGL را تحت تأثیر قرار میدهد | پیشین صریح؛ c_i نهفته حاشیهگیری میشود؛ همچنان کمبُعد و حسابرسیپذیر است |
DM_CORE1P | 1‑parameter core proxy (coreNFW/DC14‑inspired) | log r_core | از یک نمایندهٔ هستهٔ تکپارامتری برای اثر اصلی بازخورد باریونی استفاده میکند و از جزئیات پُربُعد شکلگیری ستاره میپرهیزد | به ادبیات استاندارد ارجاع میدهد؛ ≤1 پارامتر تازه؛ به آزمون بستهشدن گره خورده است |
DM_RAZOR_M | NFW + lensing shear‑calibration nuisance | m_shear (GGL) | یک سامانهای کلیدی در عدسیگری ضعیف را با پارامتری مؤثر جذب میکند و خطر تعبیر سامانهایها به فیزیک را کم میکند | مزاحم بهصورت صریح در دفتر ثبت شده است؛ نمیتواند به RC بازخورد بدهد؛ نتایج عمدتاً با استحکام بستهشدن داوری میشوند |
DM_STD | Standardized DM baseline (HIER_CMSCAT + CORE1P + m) | σ_logc + log r_core (+ m_shear) | سه اعتراض رایجتر را در یک خط پایهٔ استانداردِ همچنان کمبُعد قرار میدهد | هم دفتر پارامتر و هم معیارهای اطلاعاتی را گزارش میکند؛ بستهشدن شاخص اصلی است؛ بهعنوان قویترین کنترل دفاعی DM به کار میرود |
جدول B1｜تابلوی امتیاز P1A (بیشتر بهتر است؛ حفظشده از پیوست B گزارش اصلی)
شاخهٔ مدل (workspace) | Δk | RC-only best logL_RC (Δ) | قدرت بستهشدن 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) |
چگونه جدول B1 خوانده شود (تابلوی امتیاز P1A) |
• Δk: درجههای آزادی تازه؛ بزرگتر بودن یعنی مدل پیچیدهتر است، نه لزوماً بهتر. • روی دو ستون تمرکز کنید: قدرت بستهشدن ΔlogL_closure(Δ) (بزرگتر یعنی خودسازگاری انتقالی بیشتر) و بهترین logL_total مشترک(Δ) (امتیاز کل برازش مشترک). • مقدار داخل پرانتز (Δ) اختلاف نسبت به DM_RAZOR را برای مقایسهٔ مستقیم نشان میدهد. |
• پرسش اصلی این جدول این است که آیا هنگام تقویت معقول خط پایهٔ DM، مزیت بستهشدن ناپدید میشود یا نه. • راهنمای خواندن: DM_STD امتیاز مشترک را بهطور چشمگیری بهتر میکند، اما قدرت بستهشدنش کاهش مییابد؛ EFT_BIN همچنان در قدرت بستهشدن بالاتر میماند. |
خلاصهٔ یکجملهای: در این مجموعهٔ کمبُعد و حسابرسیپذیر از تقویتهای DM، بهتر شدن برازش مشترک خودبهخود به بستهشدن قویتر نمیانجامد؛ بستهشدن، یا انتقالپذیری، همچنان معیار کلیدی است. |
7｜نتایج اصلی را چگونه باید خواند؟
7.1 برازش مشترک: EFT در مقایسهٔ اصلی روی هر دو مجموعهداده امتیاز بالاتری میگیرد
جدول S1a و شکل S4 نشان میدهند که با همان دادهها، همان نگاشت مشترک و تقریباً همان مقیاس پارامترها، سری EFT نسبت به DM_RAZOR به ΔlogL_total مشترک 1155–1337 میرسد. خوانش ساده این است: زیر یک قاعدهٔ امتیازدهی که بر RC و GGL با هم اعمال میشود، مدلهای EFT در مقایسهٔ اصلی امتیاز کل بالاتری میگیرند.
7.2 آزمون بستهشدن: تأکید اصلی P1 انتقالپذیری است
قدرت بستهشدن بالا یعنی پارامترهایی که فقط از RC استنباط شدهاند، بدون نگاه دوباره به GGL، میتوانند GGL را بهتر پیشبینی کنند. در گزارش P1، ΔlogL_closure برای EFT برابر 172–281 است، در حالیکه مقدار DM_RAZOR برابر 127 است. این نکته مهمتر از آن است که بگوییم هر مدل دادهٔ خودش را خوب برازش میکند، زیرا آزادی مدل روی مجموعهدادهٔ دوم را محدود میکند.
7.3 شاهد منفی: چرا «فروپاشی سیگنال» چیز خوبی است؟
پس از آنکه P1 تناظر گروهبندی RC-bin→GGL-bin را تصادفی shuffle میکند، سیگنال بستهشدن EFT به بازهٔ 6–23 سقوط میکند. برای خوانندهٔ عمومی، این گام یک ضدتقلب است: اگر برتری بستهشدن فقط محصول جانبیِ کد، واحدها، مدیریت کوواریانس یا خوشاقبالی در برازش بود، تناظر shuffle شده هم میتوانست مزیت نشان دهد. اما مزیت فرو میریزد و این نشان میدهد که به نگاشت درست وابسته است.
شکل S3｜قدرت بستهشدن (بیشتر بهتر است): برتری میانگین درستنمایی لگاریتمی برای پیشبینی RC-only → GGL.
چگونه این شکل خوانده شود |
این شکل برای P1 مرکزی است. هرچه میله بلندتر باشد، اطلاعات آموختهشده از RC بهتر به GGL منتقل میشود. |
سری EFT در کل بالاتر از DM_RAZOR است و این نشاندهندهٔ بستهشدن میانکاوشگر قویتر در آزمایش «اول RC را بیاموز، سپس GGL را پیشبینی کن» است. |
شکل S4｜برتری برازش مشترک (بیشتر بهتر است): بهترین logL_total برای RC+GGL نسبت به DM_RAZOR.
چگونه این شکل خوانده شود |
این شکل امتیاز کل را پس از برازش مشترک RC و GGL نشان میدهد. |
همهٔ گونههای EFT بهطور قابلتوجهی بالاتر از صفرند و نشان میدهند مزیت EFT در مقایسهٔ اصلی یک اثر محلیِ تکنقطهای نیست، بلکه رفتار کلی تحلیل مشترک است. |
شکل R1｜شاهد منفی: پس از shuffle کردن گروهبندی، سیگنال بستهشدن بهطور تند کاهش مییابد.
چگونه این شکل خوانده شود |
این شکل نشان میدهد وقتی رابطهٔ bin بندی درست RC↔GGL shuffle میشود، سیگنال بستهشدن بهطور تند افت میکند. |
این امر نتیجهٔ P1 را بیشتر شبیه سازگاری واقعی در سراسر نگاشت دادهها میکند، نه یک همزمانی عددی که زیر هر نگاشتی به دست بیاید. |
8｜استحکام و کنترلها: P1 چگونه شبیه تنظیم صرف پارامترها به نظر نمیرسد؟
طبیعیترین پرسشها دربارهٔ هر گزارش فنی اینهاست: آیا مزیت از یک تنظیم نویز، یک بخش دادهایِ ناحیهٔ مرکزی، یک شیوهٔ برخورد با کوواریانس، یا بیشبرازش میآید؟ P1 با چند آزمون فشار به این پرسشها پاسخ میدهد.
جدول 2｜چگونه آزمونهای استحکام و شاهدهای منفی P1 خوانده شوند
آزمون | پرسشی که میکوشد کنار بزند | خوانش |
پویش σ_int | اگر RC پراکندگی ناشناختهٔ اضافی داشته باشد، آیا نتیجه همچنان پایدار است؟ | پس از شلکردن خطاهای RC، رتبهبندی و مقیاس مزیت EFT پایدار میماند. |
پویش R_min | اگر ناحیهٔ مرکزی کهکشان کاملاً قابلاعتماد نباشد، آیا نتیجه همچنان پایدار است؟ | پس از حذف ناحیهٔ مرکزی، EFT همچنان مزیت مثبت خود را حفظ میکند. |
پویش cov-shrink | اگر برآورد کوواریانس GGL نامطمئن باشد، آیا نتیجه همچنان پایدار است؟ | پس از فشردهکردن کوواریانس به سوی قطر، مزیت حساس نیست. |
نردبان حذف | آیا EFT بهواسطهٔ پیچیدگی غیرضروری امتیاز میگیرد؟ | EFT_BIN کامل زیر معیارهای اطلاعاتی لازم است. |
پیشبینی نگهداشتهشدهٔ LOO | آیا مدل فقط دادههایی را توضیح میدهد که پیشتر دیده است؟ | bin های GGL نگهداشتهشده همچنان تعمیمپذیری نسبتاً قوی نشان میدهند. |
shuffle مربوط به RC-bin | آیا بستهشدن از نگاشت واقعی میآید؟ | پس از shuffle شدن گروهبندی، بستهشدن افت میکند و این از وابستگی به نگاشت حمایت میکند. |
شکل R2｜دامنهٔ ΔlogL_total در پویش σ_int (بیشتر بهتر است).
چگونه این شکل خوانده شود |
بررسی میکند آیا پیشتازی EFT پس از تغییر پراکندگی ذاتیِ مفروض برای RC باقی میماند یا نه. |
شکل R3｜دامنهٔ ΔlogL_total در پویش R_min (بیشتر بهتر است).
چگونه این شکل خوانده شود |
بررسی میکند آیا مزیت EFT پس از بریدن ناحیهٔ مرکزی پیچیده پایدار میماند یا نه. |
شکل R4｜دامنهٔ ΔlogL_total در پویش cov-shrink (بیشتر بهتر است).
چگونه این شکل خوانده شود |
بررسی میکند آیا رتبهبندی به تغییرات نحوهٔ برخورد با کوواریانس عدسیگری ضعیف حساس است یا نه. |
شکل R5｜نردبان حذف برای EFT_BIN (AICc؛ کمتر بهتر است).
چگونه این شکل خوانده شود |
بررسی میکند آیا EFT_BIN کامل برای توضیح داده لازم است یا فقط پارامتر اضافه میکند. |
شکل R6｜LOO: توزیع درستنمایی لگاریتمی برای bin های نگهداشتهشده.
چگونه این شکل خوانده شود |
بررسی میکند آیا مدل هنوز میتواند bin های GGL را که ندیده پیشبینی کند یا نه. |
شکل R7｜شاهد منفی: نگاشت shuffle شده به افت آشکار در میانگین بستهشدن logL_true میانجامد.
چگونه این شکل خوانده شود |
از دید میانگین logL_true بیشتر نشان میدهد که بستهشدن به نگاشت درستِ میاندادهای وابسته است. |
9｜P1A: چرا «چند مدل DM در پیوست» اهمیت دارد؟
این بخش نمیپرسد: «آیا EFT فقط یک DM_RAZOR حداقلی را شکست داده است؟» بلکه میپرسد وقتی خط پایهٔ DM در چارچوبی کمبُعد، بازتولیدپذیر و با دفتر پارامتر روشن تقویت میشود (P1A)، آیا نتیجههای آزمون بستهشدن و برازش مشترک تغییر میکنند؟ به بیان دیگر، P1A نقدِ انتخاب یک خط پایهٔ DM بیش از حد ضعیف را کاهش میدهد و بحث را به این سمت میبرد که آیا عملکرد بستهشدن، در مجموعهای حسابرسیپذیر از تقویتهای DM، همچنان متفاوت میماند یا نه.
P1A نمیکوشد همهٔ مدلهای ممکنِ هالهٔ LambdaCDM را تمام کند و سوی DM را هم به یک برازشگر پُربُعد و غیرقابلحسابرسی تبدیل نمیکند. بهجایش تقویتهای کمبُعد، بازتولیدپذیر و دارای دفتر پارامتر روشن را برمیگزیند: پراکندگی تمرکز، انقباض آدیاباتیک، هستهٔ بازخوردی، پیشین سلسلهمراتبی برای پراکندگی c–M، نمایندهٔ هستهٔ تکپارامتری، مزاحم کالیبراسیون shear در عدسیگری ضعیف، و شاخهٔ ترکیبی DM_STD.
خوانش اصلی P1A |
در میان سه شاخهٔ میراثی، فقط feedback/core افزایش خالص کوچکی در قدرت بستهشدن ایجاد میکند؛ SCAT و AC افزایش خالص بستهشدن نمیدهند. |
DM_HIER_CMSCAT، DM_RAZOR_M و DM_CORE1P اثر اندکی بر قدرت بستهشدن دارند یا افزایش خالص معناداری نشان نمیدهند. |
DM_STD میتواند logL مشترک را بهطور چشمگیری بهتر کند، اما قدرت بستهشدنش کاهش مییابد؛ این نشان میدهد عمدتاً انعطاف برازش مشترک را افزایش میدهد، نه توان پیشبینی انتقالی RC→GGL را. |
در جدول B1 از P1A، EFT_BIN همچنان قدرت بستهشدن بالاتر و مزیت برازش مشترک را حفظ میکند. بنابراین ادعای اصلی P1 نباید به «فقط DM_RAZOR حداقلی را شکست داد» ساده شود. |
شکل B1｜تابلوی امتیاز P1A: بستهشدن و ΔlogL مشترک نسبت به خط پایه (بیشتر بهتر است).
چگونه این شکل خوانده شود |
این شکل نشان میدهد چند شاخهٔ تقویتی DM نسبت به خط پایه چگونه عمل میکنند. |
معنای آن «همهٔ DM کنار گذاشته شده است» نیست. نشان میدهد درون تقویتهای کمبُعد و حسابرسیپذیر DM که در P1A انتخاب شدهاند، تقویت DM مزیت بستهشدن EFT_BIN را پاک نمیکند. |
10｜چرا آزمایش P1 ارزش انجامدادن دارد؟
10.1 اهمیت روششناختی: بستهشدن میانکاوشگر را بالاتر از برازش تککاوشگر بگذاریم
نظریهٔ مقیاس کهکشانی بهراحتی میتواند در این پرسش گیر کند که آیا یک مدل میتواند یک مجموعه منحنی چرخش را برازش کند یا نه. P1 آستانه را بالا میبرد: آیا پارامترهای آموختهشده از RC میتوانند بدون بازتنظیم روی GGL، عدسیگری ضعیف را پیشبینی کنند؟ به این ترتیب P1 از مسابقهٔ برازش به آزمونِ پیشبینیِ انتقالی تبدیل میشود.
10.2 اهمیت شفافیت: زنجیرهٔ بازتولیدپذیر را بخشی از نتیجه بدانیم
یکی از سهمهای مهم P1 این است که دادهها، جدولها و شکلها، برچسبهای اجرا، شاهدهای منفی، بستهٔ بازتولید و زنجیرهٔ حسابرسی را همزمان منتشر میکند. این هم برای موافقان مهم است و هم برای منتقدان: بحث میتواند به همان دادهٔ عمومی، همان نگاشت، همان اسکریپتها و همان شاخصها برگردد، نه به شعارهای جداگانه.
10.3 اهمیت فیزیکی: آزمون فشاری جدی برای گرانش غیرمادهٔ تاریک
در گرانشهای غیرمادهٔ تاریک، بسیاری از مدلها میتوانند بخشی از پدیدارشناسی منحنی چرخش یا RAR را توضیح دهند. کار سختتر این است که همزمان از خوانشهای عدسیگری ضعیف نیز عبور کنند و با شاهدهای منفی نشان دهند سیگنال به نگاشت درست وابسته است. اهمیت P1 در این است که پاسخ گرانشی میانگین EFT را در پروتکلی شبیه یک امتحان بیرونی قرار میدهد: RC میدان آموزش است، GGL میدان انتقال است و shuffle میدان ضدتقلب.
10.4 آیا این آزمایش برای گرانش غیرمادهٔ تاریک مهم است؟
پاسخ محتاطانه این است: اگر مدیریت دادهها، بستهٔ بازتولید و پروتکل بستهشدن P1 زیر بازبینی بیرونی دوام بیاورد، میتوان آن را یک آزمایش بستهشدن RC+GGL دانست که در پژوهشهای گرانش غیرمادهٔ تاریک / گرانش اصلاحشده ارزش جدی گرفتن دارد. اهمیت آن ادعای «سرنگونی مادهٔ تاریک» نیست؛ اهمیتش این است که معیاری میانکاوشگر، بازتولیدپذیر، قابلچالش و قابلگسترش ارائه میکند.
آیا هماکنون چارچوبی به همان اندازه قوی برای بستهشدن پیشبینانهٔ RC+GGL وجود دارد؟ |
چارچوبها و سنتهای رصدی مرتبط از پیش وجود دارند. MOND/RAR بسیاری از پدیدههای منحنی چرخش را خوب سامان میدهد؛ کار RAR با عدسیگری ضعیف KiDS-1000 نیز MOND، گرانش پدیدار Verlinde و مدلهای LambdaCDM را مقایسه میکند. LambdaCDM هم میتواند بخشی از پدیدارشناسی عدسیگری ضعیف/دینامیکی را از راه پیوندهای کهکشان–هاله، هالههای گازی و مدلسازی بازخورد توضیح دهد. |
اما ادعای دقیق P1 این نیست که هیچ چارچوب دیگری نمیتواند RC+GGL را توضیح دهد. ادعا این است که زیر نگاشت ثابت عمومی خود P1، بستهشدن RC-only→GGL، شاهد منفی shuffle، دفتر پارامتر و پروتکل آزمون فشار چندمدلی DM در P1A، EFT عملکرد بستهشدن قویتری گزارش میکند. |
به بیان دیگر، آنچه در P1 بیش از همه شایستهٔ آزمون بیرونی است، پروتکل مقایسهٔ عینی و بازتولیدپذیر آن است. گام بعدی بسیار ارزشمند این است که آزموده شود آیا MOND/RAR، LambdaCDM/HOD، شبیهسازیهای هیدرودینامیکی یا چارچوبهای دیگر گرانش اصلاحشده میتوانند زیر همان پروتکل به امتیاز بستهشدنی برابر یا بالاتر برسند یا نه. |
11｜P1 چه نتیجهای میتواند بگیرد و چه نتیجهای نمیتواند بگیرد؟
جدول 3｜مرزهای نتیجهگیری P1
میتواند نتیجه بگیرد | زیر دادههای RC+GGL، نگاشت ثابت و پروتکل مقایسهٔ اصلی P1، سری EFT نسبت به DM_RAZOR حداقلی قدرت بستهشدن و برازش مشترک بالاتری دارد. |
میتواند نتیجه بگیرد | در دامنهٔ تقویتهای کمبُعد و حسابرسیپذیر DM در P1A، چند تقویت DM مزیت بستهشدن EFT_BIN را از میان نمیبرد. |
میتواند نتیجه بگیرد | شاهد منفیِ shuffle نشان میدهد سیگنال بستهشدن به نگاشت میاندادهای درست وابسته است و از نگاشتهای دلخواه به دست نمیآید. |
نمیتواند نتیجه بگیرد | P1 همهٔ مدلهای مادهٔ تاریک را واژگون نمیکند. P1A همچنان ناکرویبودن، وابستگی محیطی، پیوندهای پیچیدهٔ کهکشان–هاله، بازخورد پُربُعد یا شبیهسازیهای کامل کیهانشناختی را تمام نمیکند. |
نمیتواند نتیجه بگیرد | P1 کل نظریهٔ EFT را از اصول نخستین اثبات نمیکند. فقط لایهٔ پدیدارشناختیِ پاسخ گرانشی میانگین را میآزماید. |
نمیتواند نتیجه بگیرد | P1 همهٔ سامانهایها را کنار نمیزند. فقط در محدودهٔ آزمونهای فشار و دامنهٔ حسابرسیِ فهرستشده شواهد استحکام ارائه میدهد. |
12｜پرسشهای پرتکرار برای خوانندگان عمومی
پرسش 1: آیا این یعنی «مادهٔ تاریک وجود ندارد»؟
نه. نتیجههای P1 باید به دادهها، پروتکل و مدلهای مقایسهایِ بهکاررفته در همینجا محدود بماند. P1A از خط پایهٔ حداقلی DM_RAZOR فراتر میرود، اما همچنان نمایندهٔ همهٔ مدلهای ممکن مادهٔ تاریک نیست.
پرسش 2: آیا این یعنی «EFT اثبات شده است»؟
باز هم نه. P1، EFT را بهعنوان پارامتریسازی پاسخ گرانشی میانگین میآزماید و عملکرد بستهشدن RC→GGL قویتری نشان میدهد. سازوکارهای ریزمقیاس و کل نظریه نتیجهٔ P1 نیستند.
پرسش 3: چرا مقدار معناداری را مستقیم با σ بیان نمیکنید؟
P1 از امتیازهای درستنمایی یکپارچه، معیارهای اطلاعاتی و تفاوتهای بستهشدن استفاده میکند. ΔlogL یک برتری نسبی زیر همان قاعدهٔ امتیازدهی است؛ با یک مقدار منفرد σ یکی نیست.
پرسش 4: چرا نگاشت RC-bin→GGL-bin را shuffle میکنید؟
این یک شاهد منفی است. سیگنال میانکاوشگر واقعی باید به نگاشت درست وابسته باشد. اگر سیگنال پس از shuffle هم همانقدر قوی میماند، بیشتر نشاندهندهٔ سوگیری پیادهسازی یا مصنوع آماری بود.
پرسش 5: P1 بعداً چه باید بکند؟
همین پروتکل را به دادههای بیشتر، کنترلهای DM بیشتر، سامانهایهای پیچیدهتر و چارچوبهای گرانش اصلاحشدهٔ بیشتر گسترش دهد؛ بهویژه در قالبی که گروههای بیرونی بتوانند آن را زیر همان معیار بستهشدن دوباره بیازمایند.
13｜واژهنامهٔ کوتاه
جدول 4｜واژهنامهٔ کوتاه
اصطلاح | توضیح یکجملهای |
منحنی چرخش (RC) | رابطهٔ شعاع–سرعت در قرص کهکشانی که برای استنباط گرانش مؤثر در صفحهٔ قرص به کار میرود. |
عدسیگری ضعیف (GGL) | توزیع میانگین گرانش/جرم پیرامون کهکشانهای پیشزمینه را از راه اعوجاجهای آماری در شکل کهکشانهای پسزمینه میسنجد. |
آزمون بستهشدن | از پسینِ RC برای پیشبینی GGL استفاده میکند و سپس آن را با شاهد منفیِ نگاشت shuffle شده مقایسه میکند. |
شاهد منفی | یک ساختار کلیدی را عمداً میشکند تا ببیند آیا سیگنال ناپدید میشود یا نه؛ برای کنارزدن سیگنالهای کاذب به کار میرود. |
هالهٔ NFW | نمایهٔ چگالی هالهٔ مادهٔ تاریک که در مدلهای مادهٔ تاریک سرد بسیار به کار میرود. |
رابطهٔ c–M | رابطهٔ میان تمرکز هاله c و جرم M؛ مجاز کردن پراکندگی در آن انعطاف مدل را تغییر میدهد. |
DM_STD | شاخهٔ آزمون فشار استاندارد DM در P1A که چند تقویت کمبُعد DM را با یک پارامتر مزاحم عدسیگری ترکیب میکند. |
ΔlogL | اختلاف درستنمایی لگاریتمی میان دو مدل زیر همان قاعدهٔ امتیازدهی؛ مقدار مثبت یعنی مدل نخست بهتر عمل میکند. |
کوواریانس | توصیف ماتریسیِ همبستگی میان نقاط داده؛ دادههای عدسیگری ضعیف معمولاً به ماتریس کوواریانس کامل نیاز دارند. |
14｜مسیر پیشنهادی خواندن و نقاط ورود برای ارجاع
1. ابتدا بخشهای 0 تا 2 را بخوانید تا پرسش P1 و نقش محدودشدهٔ EFT در P1 روشن شود.
2. سپس شکل S3، شکل S4 و جدولهای S1a/S1b را بخوانید تا قدرت بستهشدن، برازش مشترک و شاهدهای منفی را بفهمید.
3. اگر نگرانید که خط پایهٔ DM بیش از حد ضعیف باشد، مستقیم به بخش 9 و جدول B1 / شکل B1 بروید.
4. برای بازبینی فنی، به گزارش فنی P1 v1.1، ضمیمهٔ جدولها و شکلها، و full_fit_runpack برگردید.
نقاط ورود اصلی به بایگانی |
گزارش فنی P1 (در سطح انتشار، Concept DOI): 10.5281/zenodo.18526334 |
بستهٔ کامل بازتولید P1 (Concept DOI): 10.5281/zenodo.18526286 |
پایگاه دانش ساختاریافتهٔ EFT (اختیاری، Concept DOI): 10.5281/zenodo.18853200 |
یادداشت مجوز: گزارش فنی با CC BY-NC-ND 4.0 منتشر شده است؛ بستهٔ کامل بازتولید از CC BY 4.0 استفاده میکند (تابع گزارش فنی و رکوردهای بایگانی Zenodo). |
15｜منابع و زمینهٔ بیرونی
McGaugh, S. S., Lelli, F., & Schombert, J. M. (2016). The Radial Acceleration Relation in Rotationally Supported Galaxies. Physical Review Letters, 117, 201101. DOI: 10.1103/PhysRevLett.117.201101.
Famaey, B., & McGaugh, S. S. (2012). Modified Newtonian Dynamics (MOND): Observational Phenomenology and Relativistic Extensions. Living Reviews in Relativity, 15, 10. DOI: 10.12942/lrr-2012-10.
Brouwer, M. M., Oman, K. A., Valentijn, E. A., et al. (2021). The weak lensing radial acceleration relation: Constraining modified gravity and cold dark matter theories with KiDS-1000. Astronomy & Astrophysics, 650, A113. DOI: 10.1051/0004-6361/202040108.
Mistele, T., McGaugh, S., Lelli, F., Schombert, J., & Li, P. (2024). Indefinitely Flat Circular Velocities and the Baryonic Tully-Fisher Relation from Weak Lensing. The Astrophysical Journal Letters, 969, L3 / arXiv:2406.09685.
Bullock, J. S., & Boylan-Kolchin, M. (2017). Small-Scale Challenges to the LambdaCDM Paradigm. Annual Review of Astronomy and Astrophysics, 55, 343–387. DOI: 10.1146/annurev-astro-091916-055313.
Lelli, F., McGaugh, S. S., & Schombert, J. M. (2016). SPARC: Mass Models for 175 Disk Galaxies with Spitzer Photometry and Accurate Rotation Curves. The Astronomical Journal, 152, 157. DOI: 10.3847/0004-6256/152/6/157.
Navarro, J. F., Frenk, C. S., & White, S. D. M. (1997). A Universal Density Profile from Hierarchical Clustering. Astrophysical Journal, 490, 493.
Dutton, A. A., & Macciò, A. V. (2014). Cold dark matter haloes in the Planck era: evolution of structural parameters for NFW haloes. Monthly Notices of the Royal Astronomical Society, 441, 3359–3374.