Composable Uncertainty in Symmetric Monoidal Categories for Design Problems (Extended Version)

Resumen Técnico: Incertidumbre Componible en Categorías Monoidales Simétricas para Problemas de Diseño

Planteamiento del Problema
El diseño de sistemas complejos a menudo se basa en modelos categóricos de sistemas abiertos, específicamente la categoría de problemas de diseño (DP), que es una categoría monoidal simétrica (SMC) compactamente cerrada. En DP, los morfismos representan relaciones de factibilidad entre recursos y funcionalidades, modeladas como mapas monótonos. Si bien este marco soporta el co-diseño composicional, asume que los sistemas son totalmente conocidos y deterministas. En la práctica, los sistemas involucran incertidumbre (por ejemplo, propiedades de materiales que siguen distribuciones, límites de rendimiento o probabilidades imprecisas) y dependencias paramétricas (por ejemplo, elecciones de diseño que afectan los parámetros óptimos). Los métodos actuales para manejar la incertidumbre en el co-diseño, como el uso de límites superiores e inferiores, son robustos pero carecen de medidas cuantitativas de probabilidad de éxito o de la capacidad de modelar incertidumbres paramétricas que dependen de elecciones de diseño específicas. Existe la necesidad de un marco que integre la semántica de incertidumbre cuantitativa (como intervalos, subconjuntos o distribuciones) en la estructura composicional de los sistemas abiertos preservando las propiedades SMC subyacentes.

Metodología
Los autores proponen un esquema general para añadir incertidumbre paramétrica a cualquier categoría monoidal simétrica (SMC) aprovechando la construcción de cambio de base para categorías enriquecidas. La metodología procede en tres pasos principales:

1. Semántica de la Incertidumbre mediante Monadas: La incertidumbre se modela utilizando monadas monoidales simétricas ($M$) sobre una categoría base $V$ (por ejemplo, $\mathbf{Set}$, $\mathbf{Pos}$, $\mathbf{Meas}$). La categoría de Kleisli $\mathbf{Kl}_M$ de dicha monada forma una categoría de Markov, capturando diversos tipos de incertidumbre (por ejemplo, la monada del conjunto potencia para subconjuntos, la monada de Giry para distribuciones de probabilidad o la monada de la flecha para intervalos).
2. Cambio de Base para el Enriquecimiento: Dado una $V$-categoría $\mathcal{C}$, los autores reemplazan los objetos-hom $\mathcal{C}(X,Y)$ con mapas paramétricos $A \to M\mathcal{C}(X,Y)$, donde $A$ es un espacio de parámetros. Esto se logra aplicando la construcción de cambio de base a lo largo de un funtor monoidal simétrico $N: V \to W$ (específicamente, el funtor identidad-sobre-objetos $L_M: V \to \mathbf{Kl}_M$).
3. Funtor de Rebanado Parcial para la Parametrización: Para introducir la parametrización externa, los autores utilizan el funtor de rebanado parcial $U/(-)$, donde $U$ es una subcategoría monoidal estricta de la categoría objetivo. Este funtor mapea objetos a categorías de coma, tratando efectivamente las flechas como familias de morfismos indexados por objetos en $U$.

Al combinar estos elementos, los autores construyen una nueva 2-categoría, denotada como $(U/MF)^*\mathcal{C}$, donde:

• 0-celdas son los objetos de la categoría original $\mathcal{C}$.
• 1-celdas son morfismos en la categoría de Kleisli de la monada, representando mapas paramétricos $A \to M\mathcal{C}(X,Y)$.
• 2-celdas son mapas de reparametrización (flechas en la categoría de Kleisli) entre espacios de parámetros.

La composición de las 1-celdas utiliza la fuerza de la monada para combinar los espacios de parámetros y componer los procesos inciertos subyacentes. La estructura resultante es una 2-categoría monoidal simétrica casi estricta, donde la ley de intercambio y la simetría se cumplen hasta 2-celdas invertibles coherentes (tensoradores).

Contribuciones Clave

• Construcción General: El artículo establece una construcción rigurosa que transforma cualquier $V$-categoría monoidal simétrica $\mathcal{C}$ en una 2-categoría monoidal simétrica con incertidumbre paramétrica, preservando los objetos originales e incrustando la categoría original mediante un funtor monoidal simétrico estricto.
• Preservación de la Estructura: La construcción demuestra que las estructuras compactamente cerradas, las estructuras (co)monoidales y los suministros (como los mapas de copia y borrado) se transfieren de la categoría original a la nueva 2-categoría. Esto asegura que el razonamiento composicional y los bucles de retroalimentación sigan siendo válidos en presencia de incertidumbre.
• Flexibilidad de la Semántica: El marco es agnóstico al tipo específico de incertididad, siempre que pueda modelarse mediante una monada monoidal simétrica. Los autores demuestran la aplicabilidad a:
  • Incertidumbre posibilista: Usando la monada del conjunto potencia (subconjuntos) o la monada de la flecha (intervalos).
  • Incertidumbre probabilística: Usando la monada de Giry (distribuciones) sobre espacios medibles.
• Aplicación a Problemas de Diseño (DP): Los autores aplican esta construcción a la categoría de problemas de diseño ($DP$). Muestran que $DP$ puede verse como enriquecida en $\mathbf{Pos}$, $\mathbf{Set}$ o $\mathbf{Meas}$, permitiendo la creación de categorías de problemas de diseño parametrizados, intervalos parametrizados de problemas de diseño y distribuciones parametrizadas de problemas de diseño.

Resultados y Ejemplos
El artículo demuestra la utilidad de la construcción a través de aplicaciones específicas a la categoría de problemas de diseño:

• Problemas de Diseño Parametrizados: La 2-categoría $(U/\text{Id})^*DP$ modela problemas de diseño donde la factibilidad depende de parámetros externos (por ejemplo, condiciones ambientales o elecciones de diseño).
• Diseño Robusto: Usando la monada del conjunto potencia, $(U/\text{Pow}_\emptyset)^*DP$ modela problemas de diseño robustos donde un parámetro mapea a un subconjunto no vacío de diseños factibles, permitiendo el análisis de caso de peor escenario.
• Diseño Probabilístico: Usando la monada de distribución, $(U/D_\Sigma)^*DP$ modela problemas de diseño donde los componentes tienen características de rendimiento probabilísticas. Esto permite modelar influencias aleatorias y el uso de la teoría de decisión bayesiana.
• Aprendizaje e Inferencia: El marco soporta el aprendizaje de problemas de diseño a partir de datos. Por ejemplo, en un entorno bayesiano, la construcción permite el condicionamiento de las distribuciones de problemas de diseño sobre datos observados (por ejemplo, triples factibles de velocidad, carga y costo) para actualizar las creencias sobre parámetros desconocidos.
• Aprendizaje Activo: La naturaleza composicional de la construcción permite la composición de modelos sustitutos para componentes individuales para predecir información a nivel de sistema y actualizar creencias, facilitando estrategias de aprendizaje activo.

Significancia
El artículo afirma que esta construcción proporciona un marco unificado y composicional para integrar la incertidumbre cuantitativa en el estudio de los sistemas abiertos y el co-diseño. Al preservar las estructuras monoidales simétricas y compactamente cerradas subyacentes, permite a ingenieros e investigadores aplicar herramientas categóricas establecidas (como consultas funcionales y razonamiento diagramático) a sistemas inciertos. La capacidad de manejar diversas semánticas de incertidumbre (intervalos, subconjuntos, distribuciones) dentro de un único marco 2-categórico aborda la limitación de los métodos actuales que dependen únicamente de límites deterministas. La construcción permite la descomposición de problemas de diseño inciertos complejos en componentes más simples y solubles, manteniendo una base matemática rigurosa para la toma de decisiones y el aprendizaje bajo incertidumbre.