P1 رپورٹ کی تشریح
گردشی منحنیوں سے کمزور عدسہ گری تک: EFT کے اوسط ثقلی ردِعمل کی جانچ کیسے کی جائے
جائزے کی اصل رپورٹ ملاحظہ کریں:
1. ChatGPT: https://chatgpt.com/share/6a00cd62-6e34-83eb-b165-6ec09e3519cc
2. Gemini: https://gemini.google.com/share/773ec96d75a0
3. Grok: https://grok.com/share/bGVnYWN5LWNvcHk_c0b4fa65-0e86-4adb-9b58-5617d616dc04
4. Qwen: https://chat.qwen.ai/s/22ab9336-671f-420a-a7fa-43e24774bb2a?fev=0.2.46
5. DeepSeek: https://chat.deepseek.com/share/tj6k7hb5owtoldg2bm
مطالعہ نوٹ |
یہ ایک "تشریحی نسخہ" ہے، کوئی دوسری علمی رپورٹ نہیں۔ یہ اصل P1 رپورٹ پر مبنی ہے، اہم figures/tables برقرار رکھتا ہے، اور ہر اہم مرحلے پر عوامی سطح کی یہ وضاحت شامل کرتا ہے کہ "اس کا مطلب کیا ہے"۔ |
یہ متن صرف P1 کے ان نتائج کی تشریح کرتا ہے جو اس کے مقررہ datasets، parameter ledger اور statistical protocol کے تحت حاصل ہوئے: کہکشانی گردشی منحنیات (RC) اور کہکشاں-کہکشاں کمزور عدسہ گری (GGL) کے مشترک امتحان میں EFT کا اوسط ثقلی ردِعمل ماڈل، اس متن میں آزمائی گئی minimal DM_RAZOR baseline سے واضح طور پر آگے ہے۔ |
یہ متن P1 کو "تاریک مادہ کی تردید" کے نتیجے کے طور پر نہیں پڑھتا۔ P1 صرف P-series تجربات کا پہلا قدم ہے؛ یہ EFT میں "اوسط ثقلی بنیاد" کے ایک مشاہدہ پذیر پہلو کو جانچتا ہے، EFT کے مکمل نظریے کو نہیں۔ |
0｜پہلے 5 منٹ میں P1 کو سمجھیں: یہ کام اصل میں کیا کر رہا ہے؟
آپ P1 کو ایک "بین-مسباری باہمی تصدیق" کا تجربہ سمجھ سکتے ہیں۔ یہ صرف یہ نہیں پوچھتا کہ کوئی ماڈل ایک ڈیٹاسیٹ کو فٹ کر سکتا ہے یا نہیں؛ بلکہ یہ کششِ ثقل کی دو بالکل مختلف قرأتوں کو ایک ہی آڈٹ میز پر رکھتا ہے: گردشی منحنیات (RC) کہکشانی قرص کے اندر حرکیات کو پڑھتی ہیں، جبکہ کہکشانی-کہکشانی کمزور عدسہ گری (GGL) بڑے پیمانے پر تصویری ثقلی ردِعمل کو پڑھتی ہے۔
- RC ایک "رفتار پیما" کی طرح ہے: یہ بتاتی ہے کہ کہکشانی قرص میں گیس اور ستارے مختلف نصف قطروں پر کتنی تیزی سے گردش کر رہے ہیں۔
- GGL ایک "وزن ترازو" کی طرح ہے: یہ پس منظر کی روشنی کے پیش منظر کہکشانی نظام سے معمولی مڑنے کی مقدار کے ذریعے، کہکشاں کے گرد بڑے پیمانے پر اوسط کششِ ثقل/کمیت کی تقسیم کو الٹ کر اخذ کرتی ہے۔
- P1 کا مرکزی سوال یہ ہے: کیا ایک ہی ماڈل پہلے RC سے قاعدہ سیکھ سکتا ہے، پھر اسی قاعدے کو GGL پر منتقل کر کے بھی بامعنی نتیجہ دے سکتا ہے؟
P1 کا سب سے مرکزی جملہ |
P1 تقابل کی حد کو "اکیلے fit اچھا ہے یا نہیں" سے اٹھا کر "کیا یہ بین-مسباری طور پر بند ہوتا ہے یا نہیں" تک لے جاتا ہے۔ درست mapping میں اچھی کارکردگی اور mapping بگاڑنے پر سگنل کا ڈھہ جانا ہی دکھاتا ہے کہ ماڈل نے RC اور GGL کے درمیان مشترک ثقلی ساخت کو پکڑنے کا امکان زیادہ ہے۔ |
جدول 0｜P1 کے مرکزی اعداد اور عام قاری کے لیے پڑھنے کا طریقہ
عام قاری اسے کیسے سمجھے | P1 / P1A میں پڑھنے کا طریقہ | اشاریہ |
دونوں datasets کو ملا کر کل score کا فرق؛ جتنا بڑا ہو، کل وضاحت اتنی بہتر سمجھی جاتی ہے۔ | متن کے مرکزی تقابل میں EFT، DM_RAZOR کے مقابل 1155–1337 ہے | مشترک fitting ΔlogL_total |
صرف RC سے inference کے بعد GGL کی پیش گوئی کرنے کی صلاحیت؛ جتنی بڑی ہو، اتنی ہی زیادہ "بین-مسباری خود-مطابقت"۔ | متن کے مرکزی تقابل میں EFT 172–281 ہے، جبکہ DM_RAZOR 127 ہے | بندش قوت ΔlogL_closure |
اگر درست correspondence ٹوٹ جائے تو فائدہ ختم ہونا چاہیے؛ جتنا واضح ختم ہو، pseudo-signal کا امکان اتنا کم ہو جاتا ہے۔ | RC-bin→GGL-bin بگاڑنے کے بعد EFT کا بندش سگنل 6–23 تک گر گیا | منفی کنٹرول shuffle |
P1A صرف minimal DM_RAZOR نہیں دیکھتا، بلکہ کئی کم بُعدی، قابلِ آڈٹ DM enhanced branches کو اسی بندش protocol میں شامل کرتا ہے۔ | DM 7+1 + DM_STD، اور EFT_BIN control برقرار | P1A متعدد DM دباؤ آزمائش |
1｜P1 کیوں ضروری ہے: آج کہکشانی پیمانے کی کونیات کہاں اٹکی ہوئی ہے؟
کہکشانی پیمانے کا مسئلہ اس لیے دیرینہ طور پر مشکل ہے کہ "اضافی کششِ ثقل/کمیت کی ضرورت" صرف گردشی منحنی کا مسئلہ نہیں۔ بے شمار مشاہدات دکھاتے ہیں کہ کہکشاؤں میں نظر آنے والے باریونی مادے اور حقیقی حرکیاتی/عدسہ گری قرأتوں کے درمیان نہایت مضبوط ربط ہے۔ تاریک مادے کے راستے کے لیے اس کا مطلب یہ ہے کہ تاریک ہالو، باریونی فیڈبیک، کہکشاں سازی کی تاریخ اور مشاہداتی نظامی خطاؤں کو نہایت باریک ہم آہنگی سے بٹھانا پڑتا ہے؛ غیر تاریک مادہ ثقلی راستوں کے لیے اس کا مطلب یہ ہے کہ ماڈل صرف RC پر خوب صورت نہیں لگ سکتا، اسے کمزور عدسہ گری، اجتماعی پیمانہ جاتی قوانین اور منفی کنٹرولز میں بھی قائم رہنا ہوگا۔
یہی P1 کا محرک ہے: یہ "تاریک مادہ غلط ہے" یا "EFT لازماً درست ہے" سے شروع نہیں کرتا، بلکہ ایک قابلِ آزمائش دعوے کو جانچ کے لیے سامنے رکھتا ہے: کیا EFT میں اوسط ثقلی ردِعمل، RC→GGL کی بین-مسباری بندش میں ایسا سگنل چھوڑتا ہے جو دوبارہ پیدا ہو سکے اور منتقل ہو سکے؟
بیرونی literature پس منظر: RC+GGL window کیوں اہم ہے؟ |
McGaugh، Lelli اور Schombert نے 2016 میں radial acceleration relation (RAR) پیش کیا، جس سے ظاہر ہوتا ہے کہ گردشی منحنیوں سے track ہونے والی observed acceleration اور باریونی مادے سے predicted acceleration کے درمیان مضبوط تعلق ہے، اور scatter کم ہے۔ اسی نے "باریون—ثقلی ردِعمل coupling" کو کہکشانی پیمانے کے نظریات کا ناگزیر مسئلہ بنا دیا۔ |
Brouwer وغیرہ نے 2021 میں KiDS-1000 weak lensing کے ذریعے RAR کو کم acceleration اور بڑے radius علاقوں تک پھیلایا، اور MOND، Verlinde emergent gravity اور LambdaCDM models کا تقابل کیا؛ انہوں نے ساتھ ہی نشان دہی کی کہ early/late-type galaxies کے فرق، gas halos اور galaxy–halo connection اب بھی اہم explanatory مسائل ہیں۔ |
Mistele وغیرہ نے 2024 میں weak lensing سے isolated galaxies کی circular velocity curves الٹ کر اخذ کیں، اور بتایا کہ وہ کئی سو kpc حتیٰ کہ تقریباً 1 Mpc تک واضح طور پر نہیں گرتیں، اور BTFR سے مطابقت رکھتی ہیں۔ اس سے ظاہر ہوتا ہے کہ weak lensing کہکشانی پیمانے کے ثقلی ردِعمل کو جانچنے کی اہم بیرونی قرأت بن رہی ہے۔ |
اس لیے P1 کی قدر اس میں نہیں کہ یہ "RC اور GGL کو پہلی بار ایک ساتھ زیرِ بحث لاتا ہے"، بلکہ اس میں ہے کہ یہ انہیں ایک قابلِ آڈٹ پروٹوکول میں رکھتا ہے: مقررہ نقشہ بندی، پیرامیٹر کھاتہ، RC-only→GGL بندش، shuffle منفی کنٹرول، اور P1A کی متعدد DM دباؤ آزمائشیں۔
2｜P1 میں EFT سے کیا مراد ہے؟ یہ Effective Field Theory نہیں
یہاں EFT سے مراد توانائی ریشہ نظریہ (Energy Filament Theory, EFT) ہے، فزکس میں عام Effective Field Theory (موثر میدان نظریہ) نہیں۔ P1 تکنیکی رپورٹ میں EFT کا استعمال بہت محتاط ہے: یہ مکمل حتمی نظریہ بن کر مقابلے میں نہیں آتا، بلکہ پہلے اسے ایک قابلِ مشاہدہ، قابلِ فٹ اور قابلِ تردید "اوسط ثقلی ردِعمل" کی پیرامیٹرائزیشن میں سمیٹا گیا ہے۔
سادہ زبان میں: P1 فی الحال اضافی کششِ ثقل کے تمام خردی ماخذ زیرِ بحث نہیں لاتا، نہ ہی ایک ہی بار پوری EFT ثابت کرنے کی کوشش کرتا ہے؛ یہ صرف ایک زیادہ تنگ اور سخت سوال پوچھتا ہے: اگر کہکشانی پیمانے پر کوئی اوسط اضافی ثقلی ردِعمل موجود ہو، تو کیا وہ پہلے RC کی وضاحت کر کے پھر GGL کی منتقل شدہ پیش گوئی کر سکتا ہے؟
P1 EFT کے کس حصے کو پکڑتا ہے؟ |
P1 "اوسط ثقلی بنیاد" (mean gravity floor) کو پکڑتا ہے: ایک statistically stable اوسط حصہ جو samples کے پار منتقل ہو سکتا ہے۔ |
P1 فی الحال "noise floor" (stochastic / noise floor) کو نہیں سنبھالتا: یعنی خرد تر fluctuation processes سے آنے والے random terms، individual differences یا اضافی scatter۔ |
P1 مکمل خردی میکانزم، abundance، lifetime یا cosmological global constraints بھی زیرِ بحث نہیں لاتا۔ یہ P-series تجربات کا پہلا قدم ہے، آخری فیصلہ نہیں۔ |
3｜P1 سلسلہ منصوبہ: پہلا قدم "اوسط بنیاد" سے کیوں شروع ہوتا ہے؟
P سلسلہ کو EFT کا مشاہداتی بازیافت منصوبہ سمجھا جا سکتا ہے۔ یہ تمام دعووں کو ایک ساتھ نہیں پھیلاتا، بلکہ پہلے اس حصے کو الگ کرتا ہے جسے عوامی ڈیٹا سے سب سے آسانی سے آزمایا جا سکتا ہے۔ P1 کی حکمت عملی پہلے اوسط جزو کو آزمانا ہے: اگر اوسط ثقلی ردِعمل RC→GGL تک بندش نہ دکھا سکے، تو زیادہ پیچیدہ noise اجزا یا خردی میکانزم پر بحث کے لیے داخلہ کمزور پڑ جاتا ہے۔
جدول 1｜P سلسلے کی تہہ وار حیثیت
P1 میں مقام | پوچھا جانے والا سوال | سطح |
موجودہ رپورٹ کا مرکزی سوال | کیا اوسط ثقلی ردِعمل RC→GGL میں بندش دکھا سکتا ہے؟ | P1 |
ضمیمہ B: DM 7+1 + DM_STD pressure test | اگر DM طرف کو کچھ مضبوط کیا جائے تو کیا نتیجہ پھر بھی مستحکم رہتا ہے؟ | P1A |
آئندہ کام کی سمت | کیا اسے مزید data، مزید probes اور زیادہ پیچیدہ systematic errors تک پھیلایا جا سکتا ہے؟ | آئندہ P-series |
P1 کے نتیجہ دائرے میں شامل نہیں | اوسط جزو، noise جزو اور خردی میکانزم کیسے جڑتے ہیں؟ | زیادہ گہرا سوال |
4｜ڈیٹا کیا ہے؟ RC اور GGL الگ الگ ہمیں کیا بتاتے ہیں؟
4.1 گردشی منحنی RC: کہکشانی قرص کا گردش پیما
گردشی منحنی یہ ریکارڈ کرتی ہے کہ کہکشاں کے مرکز سے مختلف فاصلی نصف قطروں پر گیس اور ستارے مرکز کے گرد کتنی تیزی سے گھومتے ہیں۔ جتنی تیز گردش ہوگی، اس نصف قطر پر اتنی ہی زیادہ مرکز مائل قوت، یعنی زیادہ مؤثر کششِ ثقل درکار ہوگی۔ P1 نے SPARC ڈیٹابیس استعمال کیا؛ پیشگی پروسیسنگ کے بعد اس میں 104 کہکشائیں، 2295 رفتار ڈیٹا پوائنٹس شامل کیے گئے، اور انہیں 20 RC-bin میں تقسیم کیا گیا۔
4.2 کمزور عدسہ گری GGL: بڑے پیمانے کا ثقلی ترازو
کہکشاں-کہکشاں کمزور عدسہ گری یہ ناپتی ہے کہ پیش منظر کی کہکشائیں پس منظر کی کہکشاؤں کی روشنی کو کس قدر ہلکا سا موڑتی ہیں۔ یہ بڑے پیمانے، ہالو پیمانے کے تصویری ثقلی ردِعمل سے متعلق ہے اور کہکشانی گیس حرکیات کی باریکیوں پر منحصر نہیں۔ P1 نے KiDS-1000 / Brouwer وغیرہ 2021 کا عوامی GGL ڈیٹا استعمال کیا: 4 stellar-mass bin، ہر bin میں 15 نصف قطری نقاط، کل 60 ڈیٹا پوائنٹس، اور مکمل covariance کے ساتھ۔
4.3 مقررہ نقشہ بندی: 20 RC-bin → 4 GGL-bin اتنا اہم کیوں ہے؟
P1 نے 20 RC-bin کو 4 GGL-bin سے ایک مقررہ قاعدے کے ذریعے جوڑا: ہر GGL-bin کے ساتھ 5 RC-bin منسلک ہیں، اور کہکشاؤں کی تعداد کے وزن سے weighted average لیا جاتا ہے۔ یہ نقشہ بندی تمام ماڈلوں کے لیے غیر متغیر رہتی ہے؛ یہی بندش آزمائش اور منصفانہ تقابل کی سخت پابندی ہے۔
بعد ازاں mapping کیوں tune نہیں کی جا سکتی؟ |
اگر بعد میں یہ چننے کی اجازت ہو کہ "کون سے RC-bin کن GGL-bin سے ملیں گے"، تو ماڈل correspondence کو ملا جلا کر مصنوعی بندش بنا سکتا ہے۔ P1 پہلے ہی 20→4 mapping کو lock کرتا ہے، اور shuffle negative control سے اسے جان بوجھ کر خراب کرتا ہے، تاکہ یہ دیکھا جا سکے کہ بندش سگنل واقعی طبعی طور پر معقول correspondence پر منحصر ہے یا نہیں۔ |
5｜ماڈل اور طریقہ: P1 اصل میں کس چیز کا تقابل کر رہا ہے؟
5.1 EFT طرف: کم بُعدی اوسط ثقلی ردِعمل
EFT طرف اوسط ثقلی ردِعمل کو بیان کرنے کے لیے ایک کم بُعدی اضافی رفتار جزو استعمال کرتی ہے: اضافی جزو کی شکل dimensionless kernel function f(r/ℓ) سے کنٹرول ہوتی ہے؛ ℓ عالمی پیمانہ ہے، اور amplitude کو RC-bin کے حساب سے دیا جاتا ہے۔ مختلف kernel functions ابتدائی ڈھلوان، عبوری رفتار اور طویل فاصلاتی tail کی مختلف صورتیں دکھاتے ہیں؛ انہیں robustness pressure test کے لیے استعمال کیا گیا ہے۔
5.2 DM طرف: متن کا مرکزی تقابل اور ضمیمہ P1A الگ الگ پڑھنا ضروری ہے
متن کے مرکزی تقابل میں DM_RAZOR ایک کم سے کم، قابلِ آڈٹ NFW بیس لائن ہے: c–M تعلق مقرر ہے، اور اس میں halo-to-halo scatter، adiabatic contraction، feedback core، غیر کروی شکل یا ماحولیاتی اجزا شامل نہیں۔ اس ڈیزائن کا فائدہ یہ ہے کہ آزادی کی ڈگریاں قابو میں رہتی ہیں اور بازتولید آسان ہے؛ کمزوری یہ ہے کہ یہ تمام LambdaCDM یا تمام تاریک مادہ ہالو ماڈلوں کی نمائندگی نہیں کر سکتا۔
اسی لیے ضمیمہ B (P1A) میں ہم نے DM طرف کو "معیاری دباؤ آزمائشوں" کے ایک سیٹ میں بدلا: مشترک نقشہ بندی اور بندش پروٹوکول کو بدلے بغیر، SCAT، AC، FB، HIER_CMSCAT، CORE1P، lensing m، اور مرکب بیس لائن DM_STD جیسے کم بُعدی enhanced branches مرحلہ وار شامل کیے گئے، جبکہ EFT_BIN کو بطور تقابلی حوالہ رکھا گیا۔ آپ P1A کو یوں سمجھ سکتے ہیں: یہ صرف ایک کم سے کم DM بیس لائن سے تقابل نہیں، بلکہ عام اور قابلِ آڈٹ DM میکانزموں کے ایک سیٹ کو اسی "بندش پیمانے" سے دوبارہ ناپنا ہے۔
اس متن میں اختیار کیا گیا درست نتیجہ بیان |
مرکزی متن: EFT سلسلہ مرکزی تقابل میں minimal DM_RAZOR سے واضح طور پر بہتر ہے۔ |
ضمیمہ B / P1A: متعدد کم بُعدی، قابلِ آڈٹ DM enhanced branches اور DM_STD pressure tests کے تحت DM کی کچھ مشترک fitting بہتر ہو سکتی ہے، مگر بندش قوت EFT_BIN کی برتری ختم نہیں کرتی۔ |
اس لیے سب سے محتاط بیان یہ ہے: P1/P1A کے data، mapping، parameter ledger اور closure protocol کی حدود میں EFT کا اوسط ثقلی ردِعمل زیادہ مضبوط cross-data consistency دکھاتا ہے؛ یہ تمام تاریک مادہ ماڈلوں کو خارج کرنے کے برابر نہیں۔ |
5.3 بندش آزمائش: P1 کی سب سے اہم تجرباتی گرامر
1. صرف RC سے فٹ کیا جاتا ہے، اور RC-only posterior نمونوں کا ایک سیٹ حاصل کیا جاتا ہے۔
2. GGL سے دوبارہ پیرامیٹر tuning کی اجازت نہیں؛ RC posterior کو براہِ راست GGL کی پیش گوئی کے لیے استعمال کیا جاتا ہے۔
3. مکمل covariance کے ذریعے درست نقشہ بندی کے تحت GGL prediction score logL_true حساب کیا جاتا ہے۔
4. RC-bin→GGL-bin کے تعلق کو تصادفی طور پر بدل کر منفی کنٹرول logL_perm حساب کیا جاتا ہے۔
5. دونوں کا فرق بندش قوت دیتا ہے: ΔlogL_closure = <logL_true> − <logL_perm>۔
سادہ تشبیہ |
بندش آزمائش ایک cross-exam retest جیسی ہے: ماڈل پہلے RC امتحان گاہ میں قاعدہ سیکھتا ہے، پھر GGL امتحان گاہ میں جواب دیتا ہے۔ اگر اس نے واقعی shared rule سیکھا ہے، نہ کہ کوئی local trick، تو امتحان گاہ بدلنے پر بھی اسے اچھا جواب دینا چاہیے؛ اور اگر امتحان گاہوں کی correspondence جان بوجھ کر بگاڑ دی جائے تو برتری ختم ہو جانی چاہیے۔ |
5.4 تکنیکی جدولوں سے پہلے: چار داخلی اشارے پہلے پکڑیں
جدول 5.4｜اگلے افقی تکنیکی جدولوں کو پڑھنے کا راستہ
کیوں اہم ہے | کیا دیکھنا ہے | داخلہ |
یہ جواب دیتا ہے کہ "دونوں datasets کو ساتھ دیکھیں تو کل وضاحت کس کی مضبوط تر ہے"۔ | RC+GGL مشترک fitting کا کل score | جدول S1a |
یہ جواب دیتا ہے کہ "RC سے سیکھی گئی چیز GGL تک منتقل ہو سکتی ہے یا نہیں"۔ | بندش قوت، shuffle، robustness scans | جدول S1b |
یہ P1 کو "صرف minimal DM_RAZOR سے تقابل" تک محدود کرنے سے بچاتا ہے۔ | P1A میں متعدد DM enhanced branches کی تعریفیں | جدول B0 |
یہ دیکھتا ہے کہ DM enhancement کے بعد بندش فائدہ ختم ہوتا ہے یا نہیں۔ | P1A کا بندش اور مشترک scoreboard | جدول B1 |
ترتیب نوٹ |
اگلے صفحے سے landscape pages استعمال کیے گئے ہیں تاکہ اصل رپورٹ کی wide tables مکمل محفوظ رہیں، columns حذف نہ ہوں اور متن ناقابلِ خواندگی حد تک compressed نہ ہو۔ مرکزی تشریح پہلے ہی عام قاری کے لیے پڑھنے کا طریقہ دے چکی ہے؛ landscape technical tables ان قارئین کے لیے ہیں جنہیں numerical values اور model branches کی پڑتال کرنی ہے۔ |
شکل 0.1｜ایک تصویر میں P1 کی بندش آزمائش کا عمل
وضاحت: اوپر کی زنجیر "بندش آزمائش" ہے (صرف RC سے fitting → RC posterior سے GGL کی پیش گوئی)؛ نیچے کی زنجیر "مشترک fitting" ہے (RC+GGL کو ایک ساتھ score کیا جاتا ہے)۔ دائیں طرف حقیقی نقشہ بندی کو shuffled mapping سے ملایا جاتا ہے، جس سے بندش قوت ΔlogL حاصل ہوتی ہے۔
6｜اہم تکنیکی جدولیں: اصل رپورٹ کی مرکزی جدولیں اور P1A جدولیں
جدول S1a｜مشترک fitting کے مرکزی تقابلی اشاریے (RC+GGL، Strict؛ اصل رپورٹ سے برقرار)
BIC | AICc | ΔlogL_total vs DM | مشترک logL_total (best) | k | W kernel | ماڈل (workspace) |
34010.811 | 33895.885 | 0.0 | -16927.763 | 20 | none | DM_RAZOR |
31344.155 | 31223.501 | 1337.21 | -15590.552 | 21 | none | EFT_BIN |
31500.711 | 31380.057 | 1258.932 | -15668.83 | 21 | exponential | EFT_WEXP |
31708.922 | 31588.268 | 1154.827 | -15772.936 | 21 | yukawa | EFT_WYUK |
31429.692 | 31309.038 | 1294.442 | -15633.321 | 21 | powerlaw_tail | EFT_WPOW |
جدول S1b｜بندش اور robustness اشاریے (Strict؛ اصل رپورٹ سے برقرار)
cov-shrink scan میں ΔlogL حد | R_min scan میں ΔlogL حد | σ_int scan میں ΔlogL حد | منفی کنٹرول shuffle کے بعد ΔlogL | بندش ΔlogL (true-perm) | ماڈل (workspace) |
— | — | — | 22.725 | 126.678 | DM_RAZOR |
1337–1351 | 1243–1289 | 459–1548 | 14.984 | 231.611 | EFT_BIN |
1259–1277 | 1169–1207 | 408–1471 | 6.04 | 171.977 | EFT_WEXP |
1155–1166 | 1065–1099 | 380–1341 | 14.688 | 179.808 | EFT_WYUK |
1294–1308 | 1203–1247 | 457–1500 | 6.672 | 280.513 | EFT_WPOW |
جدول B0｜P1A میں DM enhanced branches کی تعریفیں (اصل رپورٹ کے ضمیمہ B سے برقرار)
نفاذ کا اصول (آڈٹ دوست) | طبعی محرک (مرکزی) | نئے پیرامیٹرز (≤1) | dm_model | Workspace |
|---|---|---|---|---|
مشترک mapping مقرر؛ parameter ledger سخت؛ baseline کے طور پر صرف relative comparison کے لیے | minimal، قابلِ آڈٹ LambdaCDM halo baseline؛ EFT سے سخت تقابل کے لیے | — | NFW (fixed c–M, no scatter) | DM_RAZOR |
≤1 نیا parameter؛ مشترک mapping برقرار؛ بندش gain کو acceptance criterion بنایا گیا | c–M تعلق میں scatter موجود ہے؛ single-parameter log-normal scatter سے تقریب | σ_logc | NFW + c–M scatter (legacy) | DM_RAZOR_SCAT |
≤1 نیا parameter؛ mapping نہیں بدلی؛ AICc/BIC تبدیلی اور بندش gain رپورٹ | باریونی infall halo adiabatic contraction پیدا کر سکتا ہے؛ single-parameter strength سے تقریب | α_AC | NFW + Adiabatic Contraction (legacy) | DM_RAZOR_AC |
≤1 نیا parameter؛ بندش/منفی کنٹرول ایک ہی معیار؛ RC-only بہتری کو واحد ہدف نہیں بنایا | feedback اندرونی حصے میں core بنا سکتا ہے؛ single-parameter core scale سے تقریب | log r_core | NFW + feedback core (legacy) | DM_RAZOR_FB |
explicit prior؛ latent c_i marginalized؛ پھر بھی کم بُعدی اور قابلِ آڈٹ | زیادہ معیاری hierarchical c_i∼logN(c(M_i),σ_logc)؛ RC اور GGL کے مشترک posterior دونوں کو متاثر کرتا ہے | σ_logc（hier） | Hierarchical c–M scatter + prior | DM_HIER_CMSCAT |
standard literature کا حوالہ؛ ≤1 نیا parameter؛ بندش آزمائش سے بندھا ہوا | baryonic feedback کے مرکزی اثر کے لیے single-parameter core proxy؛ high-dimensional star-formation details سے گریز | log r_core | 1‑parameter core proxy (coreNFW/DC14‑inspired) | DM_CORE1P |
nuisance کی واضح accounting؛ RC پر reverse influence کی اجازت نہیں؛ نتیجے کا مرکزی معیار بندش robustness ہے | weak-lensing طرف کی key systematic error کو effective parameter سے جذب کیا گیا، تاکہ "systematic error کو physics سمجھ لینے" کا خطرہ کم ہو | m_shear（GGL） | NFW + lensing shear‑calibration nuisance | DM_RAZOR_M |
parameter ledger + information criteria دونوں رپورٹ؛ بندش central metric؛ مضبوط ترین DM defensive control کے طور پر | تین عام ترین اعتراضات کو بیک وقت ایک پھر بھی کم بُعدی standard baseline میں شامل کیا گیا | σ_logc + log r_core (+ m_shear) | Standardized DM baseline (HIER_CMSCAT + CORE1P + m) | DM_STD |
جدول B1｜P1A scoreboard (جتنا بڑا اتنا بہتر؛ اصل رپورٹ کے ضمیمہ B سے برقرار)
Joint best logL_total (Δ) | بندش قوت ΔlogL_closure (Δ) | RC-only best logL_RC (Δ) | Δk | ماڈل شاخ (workspace) |
-27347.068 (+0.000) | 122.205 (+0.000) | -15702.654 (+0.000) | 0 | DM_RAZOR |
-23153.311 (+4193.758) | 121.236 (-0.969) | -15702.294 (+0.361) | 1 | DM_RAZOR_SCAT |
-23982.557 (+3364.511) | 121.531 (-0.674) | -15703.689 (-1.035) | 1 | DM_RAZOR_AC |
-27478.531 (-131.463) | 129.454 (+7.249) | -15496.046 (+206.609) | 1 | DM_RAZOR_FB |
-23153.160 (+4193.908) | 121.978 (-0.227) | -15702.644 (+0.010) | 1 | DM_HIER_CMSCAT |
-27336.258 (+10.810) | 122.056 (-0.149) | -15723.158 (-20.504) | 1 | DM_CORE1P |
-27340.451 (+6.617) | 122.205 (+0.000) | -15702.654 (+0.000) | 0 (+m) | DM_RAZOR_M |
-22984.445 (+4362.623) | 105.690 (-16.515) | -15832.203 (-129.549) | 2 (+m) | DM_STD |
-19001.142 (+8345.926) | 204.620 (+82.415) | -14631.537 (+1071.117) | 1 | EFT_BIN |
جدول B1 کیسے پڑھیں (P1A scoreboard) |
• Δk: نئی degrees of freedom (جتنی بڑی، ماڈل اتنا پیچیدہ؛ زیادہ پیچیدہ ہونا لازماً بہتر نہیں)۔ • دو columns پر خاص توجہ دیں: بندش قوت ΔlogL_closure(Δ) (جتنی بڑی، اتنی زیادہ "transfer self-consistency") اور Joint best logL_total(Δ) (مشترک fitting کا کل score)۔ • قوسین میں (Δ) DM_RAZOR کے نسبت فرق دکھاتا ہے، تاکہ براہِ راست تقابل آسان ہو۔ |
• اس جدول کا اصل سوال یہ ہے: جب DM baseline کو "معقول طور پر enhanced" کیا جائے تو کیا بندش advantage ختم ہو جاتا ہے؟ • پڑھنے کا اشارہ: DM_STD کا joint score واضح طور پر بہتر ہوتا ہے، مگر بندش قوت الٹا کم ہوتی ہے؛ EFT_BIN بندش قوت میں پھر بھی زیادہ رہتا ہے۔ |
ایک جملے کا خلاصہ: اس کم بُعدی، قابلِ آڈٹ DM enhancement سیٹ میں joint fitting بہتر کرنا خودکار طور پر مضبوط بندش نہیں لاتا؛ بندش (transferability) اب بھی کلیدی معیار ہے۔ |
7｜مرکزی نتائج کیسے پڑھے جائیں؟
7.1 مشترک fitting: دونوں ڈیٹاسیٹس کو ملا کر دیکھا جائے تو EFT کا مرکزی تقابلی score زیادہ ہے
جدول S1a اور شکل S4 دکھاتے ہیں کہ اسی ڈیٹا، اسی مشترک نقشہ بندی اور تقریباً اسی پیرامیٹر پیمانے کے تحت، EFT سلسلے کا DM_RAZOR کے مقابل مشترک ΔlogL_total 1155–1337 ہے۔ عام قاری اسے یوں سمجھ سکتا ہے: RC اور GGL دونوں ڈیٹاسیٹس کو ایک ہی scoring rule کے تحت ملا کر دیکھا جائے تو EFT مرکزی تقابلی ماڈل کا کل score زیادہ ہے۔
7.2 بندش آزمائش: P1 سب سے زیادہ "منتقلی پذیری" پر زور دیتا ہے
زیادہ بندش قوت کا مطلب ہے کہ ماڈل صرف RC سے اخذ کردہ پیرامیٹرز استعمال کر کے، GGL کو دوبارہ دیکھے بغیر، GGL کی بہتر پیش گوئی کر سکتا ہے۔ P1 رپورٹ میں EFT کا ΔlogL_closure 172–281 ہے، جبکہ DM_RAZOR کا 127 ہے۔ یہ نتیجہ "ہر ایک الگ الگ اچھا fit کر لیتا ہے" سے زیادہ اہم ہے، کیونکہ یہ دوسری ڈیٹاسیٹ پر ماڈل کی آزادی کو محدود کرتا ہے۔
7.3 منفی کنٹرول: "سگنل کا ڈھہ جانا" الٹا اچھی بات کیوں ہے؟
P1 نے RC-bin→GGL-bin کی گروپنگ correspondence کو تصادفی طور پر بگاڑا تو EFT کا بندش سگنل 6–23 کے درجے تک گر گیا۔ عام قاری کے لیے یہ قدم "anti-cheat" جیسا ہے: اگر بندش فائدہ صرف code، units، covariance یا fitting کی اتفاقی پیداوار ہوتا تو correspondence بگاڑنے کے بعد بھی فائدہ باقی رہ سکتا تھا؛ مگر حقیقی نتیجہ یہ ہے کہ فائدہ ڈھہ جاتا ہے، یعنی وہ درست نقشہ بندی پر منحصر ہے۔
شکل S3｜بندش قوت (جتنی بڑی اتنی بہتر): RC-only → GGL prediction کی اوسط log-likelihood برتری۔
اس شکل کو کیسے پڑھیں |
یہ شکل P1 کا مرکز ہے۔ column جتنا بلند ہو، اتنا زیادہ ماڈل RC سے سیکھی گئی معلومات کو GGL تک منتقل کر پاتا ہے۔ |
EFT سلسلہ مجموعی طور پر DM_RAZOR سے اوپر ہے؛ اس سے ظاہر ہوتا ہے کہ "پہلے RC سیکھو، پھر GGL کی پیش گوئی کرو" کے تجربے میں EFT کی بین-مسباری بندش زیادہ مضبوط ہے۔ |
شکل S4｜مشترک fitting برتری (جتنی بڑی اتنی بہتر): RC+GGL کا best logL_total، DM_RAZOR کے مقابل۔
اس شکل کو کیسے پڑھیں |
یہ شکل RC اور GGL کو ملا کر کل score دیکھتی ہے۔ |
EFT سلسلہ مکمل طور پر 0 سے نمایاں اوپر ہے؛ یہ دکھاتا ہے کہ مرکزی تقابل میں EFT کا فائدہ کسی ایک نقطے کا local phenomenon نہیں، بلکہ مشترک analysis کی مجموعی کارکردگی ہے۔ |
شکل R1｜منفی کنٹرول: shuffle grouping کے بعد بندش سگنل نمایاں طور پر کم ہو جاتا ہے۔
اس شکل کو کیسے پڑھیں |
یہ شکل دکھاتی ہے کہ درست RC↔GGL binning relation بگاڑتے ہی بندش signal نمایاں طور پر کم ہو جاتا ہے۔ |
اس سے P1 کا نتیجہ arbitrary mapping سے حاصل عددی اتفاق کے بجائے cross-data mapping میں حقیقی consistency جیسا دکھائی دیتا ہے۔ |
8｜Robustness اور کنٹرولز: P1 "صرف اچھی tuning" سے کیسے بچتا ہے؟
کسی تکنیکی رپورٹ پر سب سے آسان اعتراض یہ ہوتا ہے: کیا فائدہ کسی خاص noise setting، مرکزی خطے کے کسی data segment، covariance treatment یا overfitting سے آیا ہے؟ P1 اس سوال کا جواب متعدد pressure tests کے ذریعے دیتا ہے۔
جدول 2｜P1 کی robustness اور منفی کنٹرول کو پڑھنے کا طریقہ
پڑھنے کا طریقہ | یہ کون سا شک دور کرنا چاہتی ہے | آزمائش |
RC error کو ڈھیلا کرنے کے بعد بھی EFT کی ranking اور advantage scale مستحکم رہتے ہیں۔ | اگر RC میں اضافی نامعلوم scatter ہو تو کیا نتیجہ پھر بھی مستحکم رہتا ہے؟ | σ_int scan |
مرکزی علاقے کو trim کرنے کے بعد بھی EFT positive advantage برقرار رکھتا ہے۔ | اگر کہکشانی مرکزی علاقے پر مکمل اعتماد نہ ہو تو کیا نتیجہ پھر بھی مستحکم ہے؟ | R_min scan |
covariance کو diagonal matrix کی طرف shrink کرنے کے بعد advantage حساس نہیں رہتا۔ | اگر GGL covariance estimate میں uncertainty ہو تو کیا نتیجہ پھر بھی مستحکم ہے؟ | cov-shrink scan |
مکمل EFT_BIN information criteria کے لحاظ سے ضروری دکھائی دیتا ہے۔ | کیا EFT غیر ضروری complexity سے hard fitting کر رہا ہے؟ | Ablation ladder |
GGL bin چھوڑنے کے بعد بھی مضبوط generalization performance دکھاتا ہے۔ | کیا ماڈل صرف وہی data سمجھاتا ہے جو وہ دیکھ چکا ہے؟ | LOO leave-out prediction |
grouping بگاڑنے کے بعد بندش کم ہوتی ہے، جو mapping dependence کی تائید کرتی ہے۔ | کیا بندش حقیقی mapping سے آ رہی ہے؟ | RC-bin shuffle |
شکل R2｜σ_int scan کے تحت ΔlogL_total کی حد (جتنی بڑی اتنی بہتر)۔
اس شکل کو کیسے پڑھیں |
یہ جانچتا ہے کہ RC intrinsic scatter setting بدلنے کے بعد EFT کی برتری باقی رہتی ہے یا نہیں۔ |
شکل R3｜R_min scan کے تحت ΔlogL_total کی حد (جتنی بڑی اتنی بہتر)۔
اس شکل کو کیسے پڑھیں |
یہ جانچتا ہے کہ پیچیدہ مرکزی علاقے کو trim کرنے کے بعد EFT کا فائدہ مستحکم رہتا ہے یا نہیں۔ |
شکل R4｜cov-shrink scan کے تحت ΔlogL_total کی حد (جتنی بڑی اتنی بہتر)۔
اس شکل کو کیسے پڑھیں |
یہ جانچتا ہے کہ weak-lensing covariance treatment بدلنے کے بعد ranking حساس ہوتی ہے یا نہیں۔ |
شکل R5｜EFT_BIN کی ablation ladder (AICc؛ جتنا چھوٹا اتنا بہتر)۔
اس شکل کو کیسے پڑھیں |
یہ جانچتا ہے کہ مکمل EFT_BIN data explanation میں واقعی ضروری ہے یا محض اضافی parameters نہیں۔ |
شکل R6｜LOO: چھوڑے گئے bin کی log-likelihood distribution۔
اس شکل کو کیسے پڑھیں |
یہ جانچتا ہے کہ model unseen GGL bin پر بھی prediction performance رکھتا ہے یا نہیں۔ |
شکل R7｜منفی کنٹرول: shuffle mapping سے بندش mean logL_true واضح طور پر کم ہو جاتا ہے۔
اس شکل کو کیسے پڑھیں |
mean logL_true کے زاویے سے مزید دکھاتا ہے کہ بندش درست cross-data mapping پر منحصر ہے۔ |
9｜P1A: "ضمیمے میں کئی DM ماڈل" ایک اہم اصلاح کیوں ہے؟
یہ حصہ اس سوال کا جواب نہیں دیتا کہ "کیا EFT نے صرف ایک minimal DM_RAZOR کو ہرایا؟" بلکہ یہ پوچھتا ہے: جب ہم کم بُعدی، قابلِ بازتولید اور صاف پیرامیٹر کھاتہ رکھنے والی حدود میں DM بیس لائن کو مضبوط کرتے ہیں (P1A)، تو کیا بندش آزمائش اور مشترک fitting کے نتائج بدل جاتے ہیں؟ دوسرے لفظوں میں، P1A کا مقصد یہ اعتراض کم کرنا ہے کہ "آپ نے صرف کمزور DM بیس لائن چنی"، اور بحث کو یہاں تک لانا ہے کہ "قابلِ آڈٹ DM enhancements کے ایک سیٹ کے تحت بندش کارکردگی میں فرق اب بھی باقی ہے یا نہیں"۔
P1A کا ڈیزائن LambdaCDM ہالو ماڈلنگ کے تمام امکانات exhaust کرنے کی کوشش نہیں کرتا، نہ DM طرف کو ایک بلند بُعدی، ناقابلِ آڈٹ fitter بناتا ہے۔ یہ کم بُعدی، قابلِ بازتولید اور صاف پیرامیٹر کھاتہ رکھنے والی enhancements چنتا ہے: concentration scatter، adiabatic contraction، feedback core، hierarchical c–M scatter prior، single-parameter core proxy، weak-lensing shear-calibration nuisance، اور مرکب DM_STD۔
P1A کو پڑھنے کا مرکزی طریقہ |
legacy کی تین branches میں صرف feedback/core بندش قوت میں معمولی net improvement لاتا ہے؛ SCAT اور AC net closure improvement نہیں لاتے۔ |
DM_HIER_CMSCAT، DM_RAZOR_M اور DM_CORE1P بندش قوت پر بہت کم اثر ڈالتے ہیں یا نمایاں net improvement نہیں دکھاتے۔ |
DM_STD joint logL کو واضح طور پر بہتر کر سکتا ہے، مگر بندش قوت گھٹ جاتی ہے؛ اس سے اشارہ ملتا ہے کہ یہ بنیادی طور پر joint fitting flexibility بڑھاتا ہے، RC→GGL کی transfer prediction power نہیں۔ |
P1A جدول B1 میں EFT_BIN پھر بھی زیادہ بندش قوت اور joint fitting advantage برقرار رکھتا ہے؛ اس لیے P1 کے مرکزی دعوے کو "صرف minimal DM_RAZOR کو ہرایا" تک محدود نہیں کرنا چاہیے۔ |
شکل B1｜P1A scoreboard: بندش اور مشترک ΔlogL، baseline کے مقابل (جتنا بڑا اتنا بہتر)۔
اس شکل کو کیسے پڑھیں |
یہ شکل کئی DM enhanced branches کی baseline کے مقابل کارکردگی دکھاتی ہے۔ |
اس کا مطلب "تمام DM کو خارج کرنا" نہیں، بلکہ یہ دکھانا ہے کہ P1A کے منتخب کم بُعدی، قابلِ آڈٹ DM enhancement دائرے میں enhanced DM نے EFT_BIN کی بندش برتری ختم نہیں کی۔ |
10｜P1 تجربے کی اہمیت: یہ کام کرنے کے قابل کیوں ہے؟
10.1 طریقہ کار کی اہمیت: "بین-مسباری بندش" کو "واحد مسبار fitting" سے اوپر رکھنا
کہکشانی پیمانے کے نظریات جس بحث میں سب سے آسانی سے پھنس جاتے ہیں وہ یہ ہے کہ کوئی ماڈل کسی خاص گردشی منحنی سیٹ کو fit کر سکتا ہے یا نہیں۔ P1 سوال کو ایک درجے اوپر اٹھاتا ہے: جو پیرامیٹر آپ RC سے سیکھتے ہیں، کیا وہ GGL کو دوبارہ tune کیے بغیر کمزور عدسہ گری کی پیش گوئی کر سکتے ہیں؟ اسی سے P1 ایک "fitting contest" کے بجائے "منتقل شدہ prediction test" بن جاتا ہے۔
10.2 شفافیت کی اہمیت: قابلِ بازبینی زنجیر کو نتیجے کا حصہ بنانا
P1 کا ایک اہم حصہ یہ ہے کہ یہ data، tables/figures، run labels، negative controls، reproduction package اور audit chain کو ایک ساتھ جاری کرتا ہے۔ حامیوں اور مخالفوں دونوں کے لیے یہ اہم ہے: بحث نعروں کے تقابل کے بجائے اسی عوامی data، اسی mapping، اسی scripts اور انہی metrics پر واپس آ سکتی ہے۔
10.3 طبعی اہمیت: یہ "غیر تاریک مادہ کششِ ثقل" کے راستے کو ایک سخت pressure test دیتا ہے
غیر تاریک مادہ کششِ ثقل کے راستے میں کئی ماڈل گردشی منحنیات یا RAR کے کسی حصے کی وضاحت کر لیتے ہیں؛ مگر مشکل تر کام یہ ہے کہ ساتھ ہی کمزور عدسہ گری کی قرأتوں سے بھی گزرنا، اور منفی کنٹرول کے تحت دکھانا کہ سگنل درست mapping پر منحصر ہے۔ P1 کی اہمیت یہ ہے کہ اس نے EFT کے اوسط ثقلی ردِعمل کو ایک "بیرونی امتحان" جیسے پروٹوکول میں رکھا: RC training field ہے، GGL transfer field ہے، اور shuffle anti-cheat field ہے۔
10.4 کیا یہ "غیر تاریک مادہ کششِ ثقل" کے میدان کا اہم تجربہ ہے؟
احتیاط سے کہا جائے تو: اگر P1 کی data processing، reproduction package اور بندش پروٹوکول بیرونی بازبینی کے بعد بھی قائم رہتے ہیں، تو اسے غیر تاریک مادہ کششِ ثقل / modified gravity سمت میں سنجیدگی سے لینے کے قابل RC+GGL بندش تجربہ سمجھا جا سکتا ہے۔ اس کی اہمیت ایک جملے "تاریک مادہ کو رد کر دیا" میں نہیں، بلکہ اس میں ہے کہ یہ ایک قابلِ نقل، قابلِ چیلنج اور قابلِ توسیع بین-مسباری معیار پیش کرتا ہے۔
کیا پہلے ہی اتنی ہی بلند RC+GGL prediction closure framework موجود ہے؟ |
متعلقہ frameworks اور observational traditions پہلے سے موجود ہیں: MOND/RAR بڑی تعداد میں گردشی منحنی phenomena کو اچھی طرح منظم کر سکتا ہے؛ KiDS-1000 weak-lensing RAR کام نے بھی MOND، Verlinde emergent gravity اور LambdaCDM models کا تقابل کیا؛ LambdaCDM بھی galaxy–halo connection، gas halo اور feedback modeling کے ذریعے کچھ weak-lensing/dynamical phenomena کی وضاحت کر سکتا ہے۔ |
لیکن P1 کا درست دعویٰ یہ نہیں کہ "دنیا میں کوئی دوسرا framework RC+GGL کی وضاحت نہیں کر سکتا"، بلکہ یہ ہے کہ P1 کے اپنے public fixed mapping، RC-only→GGL closure، shuffle negative control، parameter ledger اور P1A multi-DM pressure-test protocol کے تحت EFT نے زیادہ مضبوط closure performance رپورٹ کی۔ |
دوسرے لفظوں میں، P1 کی سب سے زیادہ externally testable بات یہ ہے کہ اس نے ایک خاص، قابلِ بازتولید comparison protocol پیش کیا ہے۔ اگلے قدم کے طور پر یہ دیکھنا بہت اہم ہے کہ آیا MOND/RAR، LambdaCDM/HOD، hydrodynamical simulations یا دیگر modified-gravity frameworks اسی protocol کے تحت برابر یا زیادہ closure scores حاصل کرتے ہیں یا نہیں۔ |
11｜P1 سے کیا اخذ کیا جا سکتا ہے؟ کیا اخذ نہیں کیا جا سکتا؟
جدول 3｜P1 کے نتائج کی حدود
P1 کے RC+GGL data، fixed mapping اور main comparison protocol کے تحت EFT series کو minimal DM_RAZOR کے مقابل زیادہ joint fitting اور closure strength حاصل ہے۔ | اخذ کیا جا سکتا ہے |
P1A کے کم بُعدی، قابلِ آڈٹ DM enhancement دائرے میں متعدد DM enhancements نے EFT_BIN کی closure advantage ختم نہیں کی۔ | اخذ کیا جا سکتا ہے |
shuffle negative control دکھاتا ہے کہ closure signal درست cross-data mapping پر منحصر ہے، arbitrary mapping سے حاصل نہیں ہوتا۔ | اخذ کیا جا سکتا ہے |
یہ نہیں کہا جا سکتا کہ P1 نے تمام تاریک مادہ ماڈلوں کو رد کر دیا ہے۔ P1A اب بھی non-sphericity، environmental dependence، پیچیدہ galaxy–halo connection، high-dimensional feedback یا مکمل cosmological simulations کو exhaust نہیں کرتا۔ | اخذ نہیں کیا جا سکتا |
یہ نہیں کہا جا سکتا کہ EFT کا مکمل نظریہ first principles سے ثابت ہو چکا ہے۔ P1 صرف average gravity response کی phenomenological layer کو جانچتا ہے۔ | اخذ نہیں کیا جا سکتا |
یہ نہیں کہا جا سکتا کہ تمام systematic errors خارج ہو گئی ہیں۔ P1 صرف listed pressure tests اور audit scope کے اندر robustness evidence دیتا ہے۔ | اخذ نہیں کیا جا سکتا |
12｜عام سوالات: عام قارئین کے چند سب سے متوقع سوال
Q1: کیا یہ کہہ رہا ہے کہ "تاریک مادہ موجود نہیں"؟
نہیں۔ P1 کے نتائج کو اس مضمون کے data، protocol اور comparison models کی حد میں رکھنا ضروری ہے۔ P1A minimal DM_RAZOR سے ایک قدم آگے ضرور جاتا ہے، مگر یہ اب بھی تمام ممکنہ تاریک مادہ ماڈلوں کی نمائندگی نہیں کرتا۔
Q2: کیا یہ کہہ رہا ہے کہ "EFT ثابت ہو چکی ہے"؟
یہ بھی نہیں۔ P1 نے EFT کو اوسط ثقلی ردِعمل کی پیرامیٹرائزیشن کے طور پر جانچا، اور دکھایا کہ RC→GGL بندش میں اس کی کارکردگی مضبوط تر ہے؛ خردی میکانزم اور مکمل نظریہ P1 کے نتائج نہیں ہیں۔
Q3: براہِ راست significance σ value کیوں نہیں بتائی گئی؟
P1 unified likelihood scores، information criteria اور بندش فرق استعمال کرتا ہے۔ ΔlogL ایک ہی scoring rule کے تحت relative advantage ہے؛ یہ ایک واحد σ value کے برابر نہیں۔
Q4: RC-bin→GGL-bin کو shuffle کیوں کرنا ضروری ہے؟
یہ منفی کنٹرول ہے۔ حقیقی بین-مسباری سگنل درست mapping پر منحصر ہونا چاہیے؛ اگر shuffle کے بعد بھی وہ اتنا ہی مضبوط رہے، تو اس کے بجائے implementation bias یا statistical pseudo-signal کا امکان بڑھتا ہے۔
Q5: P1 کے لیے اگلا سب سے ضروری قدم کیا ہے؟
اسی protocol کو مزید data، مزید DM controls، زیادہ پیچیدہ systematic errors اور مزید modified-gravity frameworks تک پھیلایا جائے؛ خاص طور پر بیرونی ٹیموں کو اسی بندش metric کے تحت دوبارہ آزمائش کے قابل بنایا جائے۔
13｜مختصر اصطلاحی لغت
جدول 4｜مختصر اصطلاحی لغت
ایک جملے کی وضاحت | اصطلاح |
کہکشانی قرص میں radius–rotation-speed relation، جس سے قرصی سطح کے اندر effective gravity الٹ کر اخذ کی جاتی ہے۔ | گردشی منحنی (RC) |
پس منظر کی کہکشاؤں کی شکلوں میں statistical distortion کے ذریعے پیش منظر کہکشاؤں کے گرد اوسط gravity/mass distribution ناپنا۔ | کمزور عدسہ گری (GGL) |
RC posterior سے GGL کی پیش گوئی کرنا، پھر اسے shuffled mapping کے negative control سے ملانا۔ | بندش آزمائش |
اہم ساخت کو جان بوجھ کر خراب کر کے دیکھنا کہ signal ختم ہوتا ہے یا نہیں؛ pseudo-signal کو خارج کرنے کے لیے۔ | منفی کنٹرول |
cold dark matter models میں عام استعمال ہونے والا dark-matter halo density profile۔ | NFW ہالو |
dark-matter halo concentration c اور mass M کا تعلق؛ scatter کی اجازت ہے یا نہیں، اس سے model flexibility متاثر ہوتی ہے۔ | c–M تعلق |
P1A میں متعدد کم بُعدی DM enhancements اور lensing nuisance کو جوڑنے والی standardized DM pressure-test branch۔ | DM_STD |
ایک ہی scoring rule کے تحت دو models کے log-likelihood کا فرق؛ مثبت قدر پہلے model کی برتری دکھاتی ہے۔ | ΔlogL |
data points کے باہمی correlations کی matrix description؛ weak-lensing data میں عموماً مکمل covariance استعمال کرنا ضروری ہوتا ہے۔ | Covariance |
14｜تجویز کردہ مطالعہ راستہ اور حوالہ جاتی داخلی راستے
1. پہلے اس متن کے حصے 0–2 پڑھیں، تاکہ P1 کا مسئلہ شعور اور P1 میں EFT کی محتاط حیثیت واضح ہو جائے۔
2. پھر شکل S3، شکل S4 اور جدول S1a/S1b دیکھیں، تاکہ بندش قوت، مشترک fitting اور منفی کنٹرول سمجھ آ سکیں۔
3. اگر سوال یہ ہے کہ "DM baseline بہت کمزور تو نہیں"، تو براہِ راست حصہ 9 اور جدول B1 / شکل B1 دیکھیں۔
4. اگر تکنیکی بازبینی درکار ہو تو P1 technical report v1.1، Tables & Figures Supplement اور full_fit_runpack کی طرف واپس جائیں۔
مرکزی آرکائیو داخلی راستے |
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 (اختیاری، Concept DOI): 10.5281/zenodo.18853200 |
لائسنس نوٹ: technical report CC BY-NC-ND 4.0 استعمال کرتی ہے؛ full reproduction package CC BY 4.0 استعمال کرتا ہے (technical report اور Zenodo archive کو حتمی سمجھا جائے)۔ |
15｜حوالہ جات اور بیرونی پس منظر
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.