BeeTheory – Fondasi – Catatan Teknis XI
Mengidentifikasi Parameter yang Hilang:
Langkah 1 – Analisis Korelasi Sistematis
Sebelum memodifikasi model, catatan ini mendiagnosis parameter teramati mana yang paling baik memprediksi kesalahan residu. Dengan menggunakan set kalibrasi 22 galaksi pada Note VIII, kami menguji korelasi kesalahan prediksi dengan setiap variabel yang bermakna secara fisik, kemudian dengan setiap kombinasi bivariat, untuk mengidentifikasi dengan ketat apa yang telah dihilangkan oleh model saat ini.
1. Hasil pertama
Parameter yang hilang adalah kerapatan permukaan pusat
Kerapatan permukaan baryonik pusat $\Sigma_d$ memiliki korelasi non-sepele terkuat dengan kesalahan prediksi: $r = +0.62$, $R^2 = 0.39$ secara sendiri.
Menggabungkan $\Sigma_d$ dengan ukuran disk $R_d$ dalam model bivariat menjelaskan $R^2 = 0,43$ dari varians residual, dibandingkan dengan $R^2 = 0,07$ dengan $R_d$ saja. RMS residual turun dari $19,5\%$ menjadi $14,9\%$.
Setelah menyerap $R_d$ dan $\Sigma_d$, tidak ada pengamatan fisik tambahan yang membawa informasi tentang residual.
2. Metode
Dengan menggunakan set kalibrasi 22 galaksi (Catatan VIII), untuk setiap galaksi kami memiliki kesalahan prediksi $text{err} = (V_text{tot} – V_f)/V_f$ dan daftar parameter fisis yang dapat diukur. Kami menghitung korelasi Pearson dan Spearman antara galat dan setiap variabel kandidat, kemudian menguji regresi bivariat dari bentuk tersebut:
$$\text{err}(\%) \;=\; a \cdot R_d \;+\; b \cdot X \;+\; c$$
di mana $X$ adalah setiap variabel kandidat. $X$ terbaik adalah yang memaksimalkan varians yang dijelaskan $R^2$ pada 22 galaksi. Variabel yang bersifat referensial – yang berasal dari keluaran model, seperti $V_\text{wave}$ atau $V_\text{tot}$ – tidak disertakan dalam pencarian, karena korelasinya dengan galat bersifat tautologis.
3. Korelasi univariat
Ke-24 variabel kandidat yang diuji, diurutkan berdasarkan korelasi Pearson absolut dengan galat. Baris yang diarsir emas adalah variabel yang berasal dari model itu sendiri (tautologis); baris yang diarsir merah adalah observabel fisik asli dengan $|r| > 0,5$.
| Variabel | Deskripsi | Pearson $r$ | Nilai $ p $ nilai | Signifikansi |
|---|---|---|---|---|
| Vw_over_Vf | Rasio Vw / Vf | +0.974 | 0.0000 | ★★★ |
| V_dinamis | V_dyn = √(GM_bar/Rd) | +0.632 | 0.0021 | ★★★ |
| log_Sigma_d | log₁₀(Σ_d) | +0.622 | 0.0026 | ★★★ |
| M_gas | Massa gas (M_sun) | +0.609 | 0.0034 | ★★★ |
| M_HI | Massa HI (M_sun) | +0.609 | 0.0034 | ★★★ |
| T | Jenis Hubble | -0.585 | 0.0053 | ★★ |
| Vbar | Vbar Baryonik (km/detik) | +0.582 | 0.0057 | ★★ |
| M_bar_di atas_Rd2 | M_bar / Rd² | +0.559 | 0.0084 | ★★ |
| Vtot | Prediksi Vtot (km/s) | +0.555 | 0.0090 | ★★ |
| Vw | Gelombang Vw (km/detik) | +0.550 | 0.0098 | ★★ |
| Vbar_over_Vf | Rasio Vbar / Vf | +0.519 | 0.0158 | ★★ |
| log_M_gas | log₁₀(M_gas) | +0.506 | 0.0193 | ★★ |
| log_M_bar | log₁₀ (M_bar) | +0.505 | 0.0196 | ★★ |
| M_bar | Massa baryonik (M_sun) | +0.498 | 0.0214 | ★★ |
| log_M_star | log₁₀(M_star) | +0.449 | 0.0414 | ★★ |
| Sigma_d | Kepadatan permukaan (L/pc²) | +0.426 | 0.0544 | ★★ |
| M_star_over_Rd2 | M_star / Rd² | +0.426 | 0.0544 | ★★ |
| M_star | Massa bintang (M_sun) | +0.389 | 0.0815 | ★ |
Membaca tabel
Korelasi tertinggi adalah $V_\text{wave}/V_f = +0.974$. Ini bersifat tautologis: secara konstruksi, kesalahan berskala langsung dengan $V_\text{wave}$, sehingga variabel ini hanya mencerminkan struktur rumus prediksi, bukan penggerak fisik eksternal.
Di antara variabel-variabel pengamatan fisik yang asli, korelasi tertinggi adalah $\log(\Sigma_d) = +0.622$, $V_\text{dinamis} = +0.632$, $M_\text{gas} = +0.609$, dan tipe Hubble $T = -0.585$. Keempat sinyal ini terhubung secara fisik: piringan padat cenderung lebih masif, lebih tua, dan memiliki kecepatan dinamik baryonik yang lebih tinggi. Pertanyaannya adalah yang mana yang menjadi pendorong fundamental.
4. Menyaring variabel yang berlebihan
Beberapa variabel yang berkorelasi paling atas berkorelasi kuat dengan $R_d$, variabel yang telah diketahui sebagai penyebab kesalahan. Pertanyaannya adalah mana yang membawa informasi independen.
| Variabel | Korelasi dengan $R_d$ | Status |
|---|---|---|
| $\log(M_\star)$ | $r = +0.88$ | Redundan dengan $R_d$ |
| $\log(M_\text{bar})$ | $r = +0.87$ | Redundan dengan $R_d$ |
| $\log(M_\text{gas})$ | $r = +0.86$ | Redundan dengan $R_d$ |
| Tipe Hubble $T$ | $r = -0.66$ | Sebagian mubazir |
| $V_\text{dynamical}$ | $r = +0.50$ | Sebagian independen |
| $M_\text{bar}/R_d^2$ | $r = -0.19$ | Independen |
| $\log(\Sigma_d)$ | $r = +0.10$ | Independen |
Massa berkorelasi dengan $R_d$ hampir secara sempurna: piringan yang lebih besar mengandung lebih banyak materi baryonik. Oleh karena itu, variabel-variabel ini pada dasarnya membawa informasi yang sama dengan $R_d$ itu sendiri. Sebaliknya, $\Sigma_d$ (kerapatan permukaan pusat) dan $M_\text{bar}/R_d^2$ (kerapatan permukaan baryonik rata-rata) hampir ortogonal dengan $R_d$ pada sampel ini: keduanya menangkap properti struktural “seberapa padat materi”, terlepas dari “seberapa luas piringan”.
5. Kesalahan versus kepadatan permukaan – visualisasi
Memplot kesalahan terhadap $\log_{10}(\Sigma_d)$ saja, diwarnai dengan tipe Hubble:
Kecenderungannya jelas dan monoton: galaksi-galaksi dengan kerapatan permukaan pusat yang lebih tinggi secara sistematis diprediksi secara berlebihan oleh BeeTheory, sementara piringan-piringan dengan kerapatan rendah yang menyebar diprediksi terlalu rendah. Kecocokan kecocokan sebesar 33 persen poin persentase per dekade dari $\Sigma_d$ cocok dengan data pada rentang 15 sampai 605 $L_\odot/\text{pc}^2$.
6. Model bivariat – perbandingan
Menambahkan $R_d$ pada setiap variabel kandidat akan memberikan peringkat yang lebih jelas. Tabel di bawah ini menunjukkan varians yang dijelaskan $R^2$ ketika $R_d$ dipasangkan dengan setiap variabel kedua (kombinasi tautologis dikecualikan):
| Model bivariat | $R^2$ | Sisa RMS | Catatan |
|---|---|---|---|
| $\text{err} = a R_d + c$ (dasar univariat) | 0.074 | $19.5\%$ | Referensi, tidak ada variabel kedua |
| $\text{err} = a R_d + b f_\text{gas} + c$ | 0.101 | $19.3\%$ | Peningkatan yang dapat diabaikan |
| $\text{err} = a R_d + b \log M_\star + c$ | 0.272 | $17.3\%$ | – |
| $\text{err} = a R_d + b V_\text{bar} + c$ | 0.345 | $16.4\%$ | – |
| $\text{err} = a R_d + b \log M_\text{gas} + c$ | 0.359 | $16.3\%$ | – |
| $\text{err} = a R_d + b T + c$ | 0.367 | $16.2\%$ | – |
| $\text{err} = a R_d + b \log M_\text{bar} + c$ | 0.373 | $16.1\%$ | – |
| $\text{err} = a R_d + b\,V_\text{dynamical} + c$ | 0.402 | $15.7\%$ | Kuat |
| $\text{err} = a R_d + b \log\Sigma_d + c$ | 0.430 | $15.3\%$ | Tidak bergantung pada $R_d$ |
| $\text{err} = a R_d + b (M_\text{bar}/R_d^2) + c$ | 0.459 | $14.9\%$ | Model non-tautologis terbaik |
Model bivariat terbaik
$$\text{err}(\%) \;=\; a\,R_d \;+\; b\,\frac{M_\text{bar}}{R_d^2} \;+\; c, \qquad R^2 = 0.46$$
Variabel $ M_\text{bar}/R_d^2$ adalah kerapatan permukaan baryonik rata-rata dari disk, $ \langle \Sigma_\text{bar} \rangle = M_\text{bar}/(\pi R_d^2)$. Variabel ini membawa informasi tentang seberapa kompak materi yang terlihat, terlepas dari seberapa besar ukuran cakram. Ini adalah variabel yang saat ini tidak diperhitungkan oleh BeeTheory.
7. Pemeriksaan penutupan – apa yang tersisa setelah $R_d$ dan $\Sigma_d$ diperhitungkan
Jika $R_d$ dan $\log \Sigma_d$ bersama-sama menangkap cacat struktural, maka residual dari kecocokan bivariat seharusnya tidak berkorelasi dengan setiap observasi fisik. Menguji hal ini adalah pemeriksaan penutupan formal:
| Variabel | Korelasi dengan residual | Status |
|---|---|---|
| $ R_d $ | $+0.00$ | Dengan konstruksi |
| $\log \Sigma_d$ | $+0.00$ | Dengan konstruksi |
| $\log M_\star$ | $-0.05$ | Diserap |
| $\log M_\text{bar}$ | $+0.07$ | Diserap |
| $\log M_\text{gas}$ | $+0.14$ | Diserap |
| Tipe Hubble $T$ | $-0.04$ | Diserap |
| $V_\text{dynamical}$ | $+0.08$ | Diserap |
| $V_\text{bar}$ | $+0.05$ | Diserap |
| $f_\text{gas}$ | $+0.28$ | Marjinal; di bawah signifikansi |
Setelah memperhitungkan $R_d$ dan $\log \Sigma_d$, tidak ada observasi fisik yang memiliki korelasi signifikan dengan kesalahan residual. Informasi struktural dalam galat telah sepenuhnya ditangkap oleh kedua variabel ini. Sisa sebaran RMS sebesar 15% $ RMS konsisten dengan ketidakpastian observasi pada parameter input SPARC dan dengan variabilitas galaksi-ke-galaksi intrinsik yang tidak ditangkap oleh deskriptor agregat.
8. Interpretasi fisik
Model BeeTheory saat ini menggunakan panjang skala piringan $R_d$ di dua tempat: sebagai skala spasial distribusi baryonik (profil eksponensial $Sigma propto e^{-R/R_d}$) dan sebagai panjang koherensi kernel gelombang ($ell = c_text{disk},R_d$). Amplitudo profil baryonik $\Sigma_0$ bersifat implisit, diskalakan untuk menghasilkan massa bintang yang tepat setelah diintegrasikan.
Apa yang diwakili oleh kerapatan permukaan secara fisik
Kerapatan permukaan baryonik rata-rata $langle Sigma_text{bar} rangle = M_text{bar}/(pi R_d^2)$ adalah massa per satuan luas piringan. Dua galaksi dengan $R_d$ yang sama tapi berbeda $\Sigma_d$ memiliki luasan geometris yang sama tapi jumlah materi yang dikemas berbeda. Model yang ada saat ini hanya melihat luasan geometris ($R_d$) yang relevan dengan panjang gelombang-koherensi, dan mengabaikan seberapa pekatnya materi tersebut. Inilah parameter yang diidentifikasi oleh analisis residual sebagai parameter yang hilang.
Arah efeknya
Korelasinya positif: kesalahan bertambah seiring dengan kerapatan permukaan. Ini berarti bahwa untuk $R_d$ yang tetap, piringan yang lebih padat diprediksi secara berlebihan oleh model – medan gelombang terlalu kuat relatif terhadap kurva rotasi. Sebaliknya, untuk nilai $R_d$ tertentu, model kurang memprediksi piringan dengan kerapatan rendah. Interpretasi fisis yang masuk akal: panjang koherensi gelombang seharusnya tidak hanya bergantung pada luas geometris sumber tapi juga pada konsentrasinya, dengan materi yang lebih padat menghasilkan respon gelombang yang lebih terlokalisasi. Hal ini secara alami akan menekan amplitudo medan gelombang pada piringan dengan $\Sigma$ tinggi dan meningkatkannya pada piringan dengan $\Sigma$ rendah.
9. Rangkuman Langkah 1
1. Pada set kalibrasi 22 galaksi, kesalahan prediksi berkorelasi paling kuat dengan kerapatan permukaan pusat $\Sigma_d$ ($r = +0,62$) di antara pengamatan fisis yang asli.
2. Variabel-variabel lain yang awalnya tampak berkorelasi kuat (massa bintang, massa gas, massa baryonik) ternyata sangat redundan dengan $R_d$ (korelasi $\geq 0.86$ dengan $R_d$) sehingga hanya membawa sedikit informasi baru.
3. Model bivariat non-tautologis terbaik adalah $\text{err} = a\, R_d + b\,(M_\text{bar}/R_d^2) + c$, dengan $R^2 = 0.46$ dan RMS residual $14.9\%$. Variabel kedua adalah kerapatan permukaan baryonik rata-rata dari cakram.
4. Setelah memperhitungkan $R_d$ dan $\Sigma_d$, tidak ada observasi lain yang memiliki korelasi signifikan dengan residual. Diagnostik ditutup.
5. Parameter yang hilang telah diidentifikasi: model BeeTheory yang ada saat ini memperhitungkan luasan geometris distribusi baryonik ($\R_d$) namun tidak untuk kerapatan permukaannya ($\Sigma_d$). Langkah selanjutnya adalah memasukkan $\Sigma_d$ sebagai masukan kedua untuk panjang gelombang-koherensi, kemudian menyesuaikan kembali model tersebut pada kumpulan 22 galaksi.
Referensi. Lelli, F., McGaugh, SS, Schombert, JM – SPARC: Model Massa untuk 175 Galaksi Cakram dengan Fotometri Spitzer dan Kurva Rotasi yang Akurat, AJ 152, 157 (2016). – Pearson, K. – Kontribusi matematika untuk teori evolusi III, Phil. Trans. R. Soc. A 187, 253 (1896). Koefisien korelasi. – Dutertre, X. – Teori Lebah™: Pemodelan Gravitasi Berbasis Gelombang, v2, BeeTheory.com (2023).
BeeTheory.com – Gravitasi kuantum berbasis gelombang – Langkah diagnostik 1 – © Technoplane S.A.S. 2026