Wir präsentieren einen empirischen Test eines Modells zur logarithmischen Geschwindigkeitskorrektur anhand von 151 Galaxienrotationskurven aus der SPARC-Datenbank (Lelli, McGaugh) unter Verwendung von AIC (ΔAIC = +2,6). MOND wird in 85 % der Fälle bevorzugt. Der Beitrag des logarithmischen Modells ist nicht hinsichtlich der Anpassung überlegen, sondern stellt eine bestätigte Skalierungsprognose dar und ist konsistent mit Einschränkungen der stellaren Population. 2. Skalierungsbeziehung. Unter Verwendung baryonischer Massen, die mit festen Masse-zu-Licht-Verhältnissen (Υdisk = 0,5, Υbulge = 0,7) berechnet wurden, unabhängig von der Anpassungsmethode, skaliert der Kopplungsparameter als γ ∝ Mbar^α mit α = 0,485 ± 0,030, konsistent mit der geometrischen Prognose α = 0,50 innerhalb von 0,5σ. Bootstrap-Resampling (10⁴ Iterationen) ergibt 68 % CI = 0,457, 0,512 und 95 % CI = 0,431, 0,540, beide enthalten den vorhergesagten Wert. Das Ergebnis ist stabil gegenüber Annahmen des Masse-zu-Licht-Verhältnisses (α ∈ 0,467, 0,504 für Υdisk ∈ 0,3, 0,8). 3. Skalenlänge. Die angepasste r₀ ≈ 0,6 kpc zeigt keine signifikante Korrelation mit baryonischer Masse (Spearman ρ = 0,149), Galaxienausdehnung (ρ = 0,108) oder äußerer Beschleunigung (ρ = −0,083), was darauf hindeutet, dass sie eine strukturelle Eigenschaft der Geschwindigkeitskorrektur darstellt, anstatt eine Skalierung der baryonischen Verteilung darzustellen. 4. Einschränkungen. Einzelne gasdominierte Zwerggalaxien (z. B. DDO 154) bleiben herausfordernd. Das Hochmassregime zeigt eine abgeflachte lokale Steigung (αₗocal ≈ 0,37), konsistent mit einer massenabhängigen Abweichung von der globalen Skalierung. Ein Vergleich mit NFW-Halo-Anpassungen ist nicht enthalten. Methodologie. Die Anpassung verwendet die Nelder-Mead-Minimierung mit gaußianischen Prädiktoren für die Masse-zu-Licht-Verhältnisse. Qualitätsbeschränkungen erfordern ≥5 Datenpunkte, erfolgreiche Konvergenz und γ > 10 km²/s². Der MOND-Vergleich nutzt die RAR-Interpolationsfunktion mit freiem a₀. Alle Analyse-Codes sind in Python (NumPy, SciPy). Multi-Agenten-Analyse. Die Analyse wurde unabhängig mit mehreren großen Sprachmodell-Systemen überprüft, um logische Inkonsistenzen, Pipeline-Fehler und methodische Probleme zu erkennen. Verwandte Arbeiten: - TKWC Nodes 734–735: doi: 10.5281/zenodo.18650668 - Topologische Screening der Dunklen Energie: doi: 10.5281/zenodo.18422868 Der Entropie-Senker: doi: 10.5281/zenodo.18479788
Feshter et al. (Di,) untersuchten diese Frage.