Décryptage du rapport P1 — Des courbes de rotation au lentillage faible : comment tester la réponse gravitationnelle moyenne d’EFT

Note de lecture

Il s’agit d’une « version explicative », et non d’un autre rapport scientifique. Elle s’appuie sur le rapport P1 original, conserve les figures et tableaux essentiels, et ajoute à chaque étape clé une explication publique de « ce que cela signifie ».

Ce texte explique uniquement les conclusions obtenues par P1 dans ses jeux de données, son registre de paramètres et son protocole statistique définis : dans le test conjoint des courbes de rotation galactiques (RC) et du lentillage faible galaxie-galaxie (GGL), le modèle de réponse gravitationnelle moyenne d’EFT devance nettement la base DM_RAZOR minimale testée ici.

Ce texte n’interprète pas P1 comme une conclusion selon laquelle « la matière noire serait renversée ». P1 n’est que la première étape de la série P : il teste un seul niveau observable d’EFT, le « socle gravitationnel moyen », et non l’ensemble de la théorie EFT.

La phrase centrale de P1

P1 élève le seuil de comparaison de « l’ajustement isolé est-il bon ? » à « peut-on fermer entre sondes ? ». Ce n’est que si le modèle se comporte bien sous la bonne correspondance et que le signal s’effondre après mélange que l’on peut dire qu’il a plus probablement saisi une structure gravitationnelle partagée entre RC et GGL.

Indicateur

Lecture dans P1 / P1A

Comment un lecteur général peut le comprendre

Ajustement conjoint ΔlogL_total

Dans la comparaison principale du texte, EFT vaut 1155–1337 par rapport à DM_RAZOR

Différence de score total lorsque les deux jeux de données sont combinés ; plus elle est grande, meilleure est l’explication globale.

Force de fermeture ΔlogL_closure

Dans la comparaison principale du texte, EFT vaut 172–281, contre 127 pour DM_RAZOR

Capacité à prédire le GGL après inférence sur RC seulement ; plus elle est grande, plus le modèle est « auto-cohérent entre sondes ».

Contrôle négatif shuffle

Après mélange RC-bin→GGL-bin, le signal de fermeture d’EFT tombe à 6–23

Si la bonne correspondance est détruite, l’avantage doit disparaître ; plus cette disparition est nette, mieux on écarte les faux signaux.

Test de résistance P1A multi-DM

DM 7+1 + DM_STD, avec EFT_BIN conservé comme témoin

P1A ne se limite pas au DM_RAZOR minimal ; il place plusieurs branches d’amélioration DM de faible dimension et auditables dans le même protocole de fermeture.

Contexte de la littérature externe : pourquoi la fenêtre RC+GGL est-elle importante ?

La relation d’accélération radiale (RAR) proposée par McGaugh, Lelli et Schombert en 2016 montre une corrélation étroite, avec une faible dispersion, entre l’accélération observée suivie par les courbes de rotation et l’accélération prédite par la matière baryonique. Cela fait du « couplage baryons–réponse gravitationnelle » une question incontournable pour les théories à l’échelle galactique.

Brouwer et al. (2021) ont utilisé le lentillage faible KiDS-1000 pour étendre la RAR à des accélérations plus faibles et à de plus grands rayons, tout en comparant MOND, la gravité émergente de Verlinde et des modèles LambdaCDM ; ils soulignent aussi que les différences entre galaxies de type précoce et tardif, les halos gazeux et la connexion galaxie–halo restent des questions explicatives clés.

Mistele et al. (2024) ont ensuite utilisé le lentillage faible pour inférer les courbes de vitesse circulaire de galaxies isolées ; ils rapportent qu’elles ne présentent pas de baisse nette sur plusieurs centaines de kpc, voire jusqu’à environ 1 Mpc, et qu’elles sont compatibles avec la BTFR. Cela montre que le lentillage faible devient une lecture externe importante pour tester la réponse gravitationnelle à l’échelle galactique.

Quelle partie d’EFT P1 saisit-il ?

P1 saisit le « socle gravitationnel moyen » (mean gravity floor) : une contribution moyenne statistiquement stable et transférable entre échantillons.

P1 ne traite pas encore le « socle de bruit » (stochastic / noise floor) : c’est-à-dire les termes aléatoires, différences individuelles ou dispersions supplémentaires que pourraient produire des processus de fluctuation plus microscopiques.

P1 ne discute pas non plus le mécanisme microscopique complet, l’abondance, les durées de vie ni les contraintes cosmologiques globales. C’est la première étape de la série P, non un verdict final.

Niveau

Question posée

Place dans P1

P1

La réponse gravitationnelle moyenne peut-elle fermer dans RC→GGL ?

Question principale du rapport actuel

P1A

Si l’on renforce le côté DM, la conclusion reste-t-elle stable ?

Annexe B : test de résistance DM 7+1 + DM_STD

Suite de la série P

Peut-on étendre le protocole à davantage de données, de sondes et de systématiques plus complexes ?

Direction des travaux ultérieurs

Questions plus profondes

Comment le terme moyen, les termes de bruit et les mécanismes microscopiques se relient-ils ?

Hors du périmètre conclusif de P1

Pourquoi ne peut-on pas ajuster la correspondance après coup ?

Si l’on autorisait le choix après coup de « quels RC-bins correspondent à quels GGL-bins », un modèle pourrait fabriquer une fermeture en réarrangeant les correspondances. P1 verrouille à l’avance la correspondance 20→4 et la détruit volontairement par un contrôle négatif shuffle précisément pour juger si le signal de fermeture dépend vraiment d’une correspondance physiquement raisonnable.

Formulation précise des conclusions adoptée ici

Texte principal : la série EFT surpasse nettement le DM_RAZOR minimal dans la comparaison principale.

Annexe B / P1A : sous plusieurs branches d’amélioration DM de faible dimension et auditables, ainsi que sous le test DM_STD, certains ajustements conjoints DM peuvent s’améliorer, mais la force de fermeture n’élimine pas l’avantage d’EFT_BIN.

La formulation la plus prudente est donc la suivante : dans le périmètre des données, de la correspondance, du registre de paramètres et du protocole de fermeture de P1/P1A, la réponse gravitationnelle moyenne d’EFT montre une cohérence inter-données plus forte ; cela ne revient pas à exclure tous les modèles de matière noire.

Analogie simple

Le test de fermeture ressemble à une épreuve de rattrapage sur un autre terrain d’examen : le modèle apprend d’abord une régularité dans la salle RC, puis répond dans la salle GGL. S’il a vraiment appris une régularité partagée, et non une astuce locale, il devrait encore bien répondre après changement de salle ; si l’on mélange volontairement les correspondances entre salles, l’avantage devrait disparaître.

Entrée

Ce qu’il faut regarder

Pourquoi c’est important

Tableau S1a

Score total de l’ajustement conjoint RC+GGL

Répond à la question : « en regardant les deux jeux de données ensemble, qui offre l’explication globale la plus forte ? »

Tableau S1b

Force de fermeture, shuffle, balayages de robustesse

Répond à la question : « ce qui est appris sur RC peut-il être transféré au GGL ? »

Tableau B0

Définition des multiples branches d’amélioration DM dans P1A

Évite de réduire P1 à une comparaison « seulement avec le DM_RAZOR minimal ».

Tableau B1

Scoreboard de fermeture et d’ajustement conjoint de P1A

Vérifie si l’avantage de fermeture disparaît après renforcement de DM.

Note de mise en page

Les pages suivantes passent en format paysage afin de conserver intégralement les tableaux larges du rapport original, sans supprimer de colonnes ni les compresser jusqu’à les rendre illisibles. Le texte explicatif a déjà donné une lecture accessible ; les tableaux techniques en paysage s’adressent à ceux qui veulent vérifier les chiffres et les branches de modèles.

Modèle (workspace)

Noyau W

k

logL_total conjoint (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

Modèle (workspace)

ΔlogL de fermeture (true-perm)

ΔlogL après shuffle du contrôle négatif

Plage de ΔlogL sous balayage σ_int

Plage de ΔlogL sous balayage R_min

Plage de ΔlogL sous balayage 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

DM_RAZOR

NFW (fixed c–M, no scatter)

—

Base de halo LambdaCDM minimale et auditable ; utilisée pour une comparaison stricte avec EFT

Correspondance partagée fixe ; registre de paramètres strict ; baseline utilisée uniquement pour comparaison relative

DM_RAZOR_SCAT

NFW + c–M scatter（legacy）

σ_logc

La relation c–M présente une dispersion ; approximation par un scatter log-normal à un paramètre

≤1 nouveau paramètre ; correspondance partagée conservée ; gain de fermeture comme critère de validation

DM_RAZOR_AC

NFW + Adiabatic Contraction（legacy）

α_AC

L’infall baryonique peut provoquer une contraction adiabatique du halo ; approximation par une intensité à un paramètre

≤1 nouveau paramètre ; correspondance inchangée ; rapport des variations AICc/BIC et du gain de fermeture

DM_RAZOR_FB

NFW + feedback core（legacy）

log r_core

Le feedback peut former un core dans la région interne ; approximation par une échelle de core à un paramètre

≤1 nouveau paramètre ; même protocole pour fermeture et contrôle négatif ; l’amélioration RC-only n’est pas l’unique objectif

DM_HIER_CMSCAT

Hierarchical c–M scatter + prior

σ_logc（hier）

Hiérarchisation plus standard c_i∼logN(c(M_i),σ_logc) ; affecte simultanément le postérieur conjoint RC et GGL

Prior explicite ; marginalisation des c_i latents ; faible dimension et auditabilité conservées

DM_CORE1P

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

log r_core

Utilise un proxy core à un paramètre pour représenter l’effet principal du baryonic feedback, en évitant les détails de formation stellaire de haute dimension

Références standard citées ; ≤1 nouveau paramètre ; lié au test de fermeture

DM_RAZOR_M

NFW + lensing shear‑calibration nuisance

m_shear（GGL）

Absorbe une systématique clé du côté lentillage faible par un paramètre effectif, afin de réduire le risque de « prendre une erreur systématique pour de la physique »

Paramètre de nuisance explicitement enregistré ; aucun effet inverse autorisé sur RC ; les résultats privilégient la robustesse de fermeture

DM_STD

Standardized DM baseline (HIER_CMSCAT + CORE1P + m)

σ_logc + log r_core (+ m_shear)

Intègre simultanément les trois objections courantes les plus fréquentes dans une base standard qui reste de faible dimension

Registre des paramètres et critères d’information rapportés ensemble ; fermeture comme indicateur principal ; utilisé comme contrôle défensif DM le plus fort

Branche de modèle (workspace)

Δk

RC-only best logL_RC (Δ)

Force de fermeture 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)

Comment lire le tableau B1 (scoreboard P1A)

• Δk : degrés de liberté ajoutés (plus c’est grand, plus le modèle est complexe ; plus complexe ne signifie pas meilleur).

• Regarder surtout deux colonnes : la force de fermeture ΔlogL_closure(Δ) (plus elle est grande, plus la « transférabilité est auto-cohérente ») et Joint best logL_total(Δ) (score total de l’ajustement conjoint).

• Le (Δ) entre parenthèses indique l’écart par rapport à DM_RAZOR, pour faciliter la comparaison directe.

• La question principale de ce tableau est : lorsque la base DM est « raisonnablement renforcée », l’avantage de fermeture disparaît-il ?

• Indice de lecture : le score conjoint de DM_STD s’améliore nettement, mais sa force de fermeture diminue ; EFT_BIN conserve une force de fermeture plus élevée.

Résumé en une phrase : dans cet ensemble d’améliorations DM de faible dimension et auditables, améliorer l’ajustement conjoint ne produit pas automatiquement une fermeture plus forte ; la fermeture, c’est-à-dire la transférabilité, reste le critère clé.

Comment lire cette figure

Cette figure est le cœur de P1. Plus la barre est haute, plus l’information apprise par le modèle à partir des RC se transfère au GGL.

La série EFT est globalement au-dessus de DM_RAZOR, ce qui indique que, dans l’expérience « apprendre d’abord sur RC, puis prédire GGL », la fermeture inter-sondes d’EFT est plus forte.

Comment lire cette figure

Cette figure examine le score total après combinaison de RC et GGL.

Toute la série EFT est nettement au-dessus de 0, ce qui indique que l’avantage d’EFT dans la comparaison principale n’est pas un phénomène local isolé, mais la performance globale de l’analyse conjointe.

Comment lire cette figure

Cette figure montre qu’une fois la bonne relation de binning RC↔GGL mélangée, le signal de fermeture diminue fortement.

Cela rend les résultats de P1 plus proches d’une cohérence réelle dans une correspondance inter-données, plutôt que d’une coïncidence numérique que n’importe quelle correspondance pourrait produire.

Test

Question qu’il cherche à écarter

Lecture

Balayage σ_int

Si les RC contiennent une dispersion inconnue supplémentaire, la conclusion reste-t-elle stable ?

Après élargissement des erreurs RC, le classement d’EFT et l’ordre de grandeur de son avantage restent stables.

Balayage R_min

Si l’on ne fait pas entièrement confiance aux régions centrales des galaxies, la conclusion reste-t-elle stable ?

Après coupure des régions centrales, EFT conserve un avantage positif.

Balayage cov-shrink

Si l’estimation de la covariance GGL est incertaine, la conclusion reste-t-elle stable ?

Après contraction de la covariance vers une matrice diagonale, l’avantage est peu sensible.

Échelle d’ablation

EFT obtient-elle son ajustement grâce à une complexité inutile ?

L’EFT_BIN complet est justifié par les critères d’information.

Prédiction LOO avec bin laissé de côté

Le modèle ne sait-il expliquer que les données déjà vues ?

Après exclusion d’un bin GGL, il montre encore une bonne capacité de généralisation.

RC-bin shuffle

La fermeture provient-elle d’une correspondance réelle ?

Après mélange des groupes, la fermeture diminue, ce qui soutient la dépendance à la correspondance.

Comment lire cette figure

Teste si l’avance d’EFT subsiste lorsque le réglage de dispersion intrinsèque des RC varie.

Comment lire cette figure

Teste si l’avantage d’EFT reste stable après coupe des régions centrales complexes.

Comment lire cette figure

Teste si le classement est sensible aux changements de traitement de la covariance du lentillage faible.

Comment lire cette figure

Teste si l’EFT_BIN complet est nécessaire pour expliquer les données, plutôt qu’un simple ajout gratuit de paramètres.

Comment lire cette figure

Teste si le modèle conserve une capacité prédictive sur des bins GGL non vus.

Comment lire cette figure

Montre en outre, du point de vue du mean logL_true, que la fermeture dépend de la bonne correspondance inter-données.

Lecture principale de P1A

Parmi les trois branches legacy, seul feedback/core apporte un léger gain net de force de fermeture ; SCAT et AC n’apportent pas de gain net de fermeture.

DM_HIER_CMSCAT, DM_RAZOR_M et DM_CORE1P ont peu d’effet sur la force de fermeture, ou ne montrent pas de gain net significatif.

DM_STD peut améliorer fortement le joint logL, mais sa force de fermeture diminue ; cela suggère qu’il augmente surtout la flexibilité de l’ajustement conjoint, plutôt que la puissance de prédiction transférée RC→GGL.

Dans le tableau B1 de P1A, EFT_BIN conserve une force de fermeture et un avantage d’ajustement conjoint plus élevés ; le cœur de la proposition de P1 ne doit donc pas être réduit à « avoir seulement battu le DM_RAZOR minimal ».

Comment lire cette figure

Cette figure montre la performance de plusieurs branches d’amélioration DM par rapport à la base.

Son sens n’est pas « exclure toute DM », mais montrer que, dans la plage d’améliorations DM de faible dimension et auditables choisie par P1A, renforcer DM n’élimine pas l’avantage de fermeture d’EFT_BIN.

Existe-t-il déjà un cadre de prédiction RC+GGL avec une fermeture aussi élevée ?

Il existe déjà des cadres et traditions observationnelles pertinentes : MOND/RAR organise très bien de nombreux phénomènes de courbes de rotation ; le travail RAR en lentillage faible KiDS-1000 a aussi comparé MOND, la gravité émergente de Verlinde et des modèles LambdaCDM ; LambdaCDM peut également expliquer une partie des phénomènes de lentillage faible et de dynamique via la connexion galaxie–halo, les halos gazeux et la modélisation du feedback.

Mais la revendication précise de P1 n’est pas qu’« aucun autre cadre au monde ne puisse expliquer RC+GGL ». Elle est que, dans le protocole public propre à P1 — correspondance fixe, fermeture RC-only→GGL, contrôle négatif shuffle, registre des paramètres et tests de résistance P1A multi-DM — EFT rapporte une performance de fermeture plus forte.

Autrement dit, ce qui mérite le plus d’être vérifié par l’extérieur dans P1, c’est la proposition d’un protocole de comparaison concret et reproductible. La prochaine étape, très importante, est de savoir si MOND/RAR, LambdaCDM/HOD, des simulations hydrodynamiques ou d’autres cadres de gravité modifiée peuvent atteindre, sous le même protocole, des scores de fermeture identiques ou supérieurs.

Ce que l’on peut conclure

Sous les données RC+GGL, la correspondance fixe et le protocole principal de comparaison de P1, la série EFT présente un ajustement conjoint et une force de fermeture plus élevés que le DM_RAZOR minimal.

Ce que l’on peut conclure

Dans la plage d’améliorations DM de faible dimension et auditables de P1A, plusieurs améliorations DM n’éliminent pas l’avantage de fermeture d’EFT_BIN.

Ce que l’on peut conclure

Le contrôle négatif shuffle montre que le signal de fermeture dépend de la bonne correspondance inter-données, et non d’une correspondance arbitraire.

Ce que l’on ne peut pas conclure

On ne peut pas dire que P1 ait déjà renversé tous les modèles de matière noire. P1A n’épuise toujours pas la non-sphéricité, la dépendance environnementale, les connexions galaxie–halo complexes, le feedback de haute dimension ni les simulations cosmologiques complètes.

Ce que l’on ne peut pas conclure

On ne peut pas dire que la théorie EFT complète ait été prouvée à partir de premiers principes. P1 ne teste que la couche phénoménologique de la réponse gravitationnelle moyenne.

Ce que l’on ne peut pas conclure

On ne peut pas dire que toutes les erreurs systématiques aient été exclues. P1 fournit seulement des éléments de robustesse dans le périmètre des tests de résistance et de l’audit explicitement listés.

Terme

Explication en une phrase

Courbes de rotation (RC)

Relation rayon–vitesse dans un disque galactique, utilisée pour inférer la gravité effective dans le plan du disque.

Lentillage faible (GGL)

Mesure la distribution moyenne de gravité ou de masse autour des galaxies d’avant-plan à partir de la distorsion statistique des formes de galaxies d’arrière-plan.

Test de fermeture

Utilise le postérieur RC pour prédire le GGL et compare avec un contrôle négatif où la correspondance est mélangée.

Contrôle négatif

Détruit volontairement une structure clé pour voir si le signal disparaît ; sert à écarter les faux signaux.

Halo NFW

Profil de densité de halo de matière noire couramment utilisé dans les modèles de matière noire froide.

Relation c–M

Relation entre la concentration c d’un halo de matière noire et sa masse M ; autoriser ou non le scatter influence la flexibilité du modèle.

DM_STD

Branche standardisée de test de résistance DM dans P1A, combinant plusieurs améliorations DM de faible dimension avec un paramètre de nuisance de lentillage.

ΔlogL

Différence de log-vraisemblance entre deux modèles sous la même règle de score ; une valeur positive indique que le premier est meilleur.

Covariance

Description matricielle des corrélations entre points de données ; les données de lentillage faible nécessitent généralement la covariance complète.

Principaux points d’entrée d’archive

Rapport technique P1 (niveau publication, Concept DOI) : 10.5281/zenodo.18526334

Paquet complet de reproduction P1 (Concept DOI) : 10.5281/zenodo.18526286

Base de connaissances structurée EFT (facultatif, Concept DOI) : 10.5281/zenodo.18853200

Note de licence : le rapport technique utilise CC BY-NC-ND 4.0 ; le paquet complet de reproduction utilise CC BY 4.0 (selon le rapport technique et les archives Zenodo).