Approaching the Continuous from the Discrete: an Infinite Tensor Product Construction

Resumen Técnico: Aproximación de lo Continuo desde lo Discreto mediante Productos Tensoriales Infinitos

Planteamiento del Problema
Los avances recientes en la probabilidad categórica han axiomatizado con éxito procesos probabilísticos discretos (por ejemplo, conjuntos finitos y matrices estocásticas) y procesos gaussianos utilizando cálculos de diagramas de cuerdas. Sin embargo, persiste una brecha significativa en la axiomatización de la probabilidad continua general, específicamente en categorías como $\mathbf{BorelStoch}$ (espacios de Borel estándar y núcleos de Markov). La dificultad principal radica en codificar el comportamiento infinito algebraicamente dentro del marco existente de los diagramas de cuerdas, que típicamente dependen de generadores y ecuaciones finitas. Si bien el teorema de extensión de Kolmogorov sugiere que las medidas continuas pueden verse como límites de las discretas, ha faltado una construcción categórica rigurosa que vincule los entornos discretos con los continuos a través de productos tensoriales infinitos.

Metodología
Los autores proponen una construcción universal que añade productos tensoriales infinitos a una categoría semicartesiana $\mathcal{C}$. La metodología procede a través de varias etapas:

1. Construcción Universal: El artículo define una categoría $\mathcal{C}^{\otimes\infty}$ obtenida al añadir productos tensoriales infinitos a una categoría semicartesiana $\mathcal{C}$. Esto se logra mediante una propiedad universal: $\mathcal{C}^{\otimes\infty}$ es la categoría semicartesiana inicial con productos tensoriales infinitos que recibe un functor simétrico monoidal de $\mathcal{C}$.
2. Representación Concreta (Familias de Aproximación Finita): Para hacer tratables los morfismos en $\mathcal{C}^{\otimes\infty}$, los autores restringen su atención a categorías con eliminaciones cancelativas (donde $f \otimes \text{del} = g \otimes \text{del} \implies f=g$). En este entorno, los morfismos entre productos tensoriales infinitos se caracterizan no como límites abstractos, sino como familias de aproximación finita. Un morfismo es una clase de equivalencia de familias de morfismos finitos $(f_{F,G})$ que satisfacen condiciones de naturalidad, cobertura y heredabilidad.
3. Sintaxis Diagramática: Los autores introducen la "notación de placas" para representar estas familias de aproximación finita como diagramas de cuerdas. Esto permite el levantamiento de presentaciones axiomáticas: si $\mathcal{C}$ está presentado por una teoría monoidal simétrica $(\Sigma, E)$, entonces $\mathcal{C}^{\otimes\infty}$ está presentado por una teoría $\text{Free}_\infty(\Sigma, E)$ que incluye los generadores y ecuaciones originales, más reglas para manejar productos tensoriales infinitos (placas).
4. Aplicación a $\mathbf{FinStoch}$: La construcción se aplica a $\mathbf{FinStoch}$ (conjuntos finitos y matrices estocásticas) y a su subcategoría $\mathbf{BinStoch}$ (potencias de $\{0,1\}$).

Resultados Clave

• Caracterización de $\mathbf{FinStoch}^{\otimes\infty}$: Los autores demuestran que la categoría $\mathbf{FinStoch}^{\otimes\infty}$ es equivalente a una categoría de espacios de Stone equipados con núcleos de Markov localmente constantes ($\mathbf{StoneStoch}_{lc}$). En esta categoría, los objetos son productos infinitos de conjuntos finitos (que, por el teorema de Brouwer, son o bien conjuntos finitos o el espacio de Cantor $2^\mathbb{N}$), y los morfismos son núcleos $f: X \to Y$ donde la probabilidad de un conjunto clopen depende de un número finito de coordenadas de la entrada.
• Presentación Axiomática de la Probabilidad Continua: Al restringirse a $\mathbf{BinStoch}$, los autores derivan una presentación axiomática para $\mathbf{CantorStoch}_{lc}$ (la subcategoría de $\mathbf{StoneStoch}_{lc}$ que involucra potencias de 2 y el espacio de Cantor). Demuestran que $\mathbf{CantorStoch}_{lc}$ es isomórfica a $\text{Free}_\infty(\Sigma, E)$, donde $(\Sigma, E)$ es la teoría de $\mathbf{CausCirc}$ (la axiomatización de $\mathbf{BinStoch}$).
• Expresividad: El artículo demuestra que $\mathbf{CantorStoch}_{lc}$ es lo suficientemente expresiva como para abarcar todas las medidas de probabilidad en la recta real $\mathbb{R}$. Esto se debe a que $\mathbb{R}$ es isomórfico a un producto tensorial infinito de 2 en $\mathbf{BorelStoch}$, y la construcción establece una correspondencia biyectiva entre las medidas en $\mathbb{R}$ y las medidas en el espacio de Cantor $2^\mathbb{N}$.
• Limitaciones: Los autores aclaran que $\mathbf{FinStoch}^{\otimes\infty}$ no recupera la totalidad de $\mathbf{BorelStoch}$. Si bien captura todas las medidas de probabilidad, no puede capturar plenamente el comportamiento de funciones medibles arbitrarias (que pueden no ser localmente constantes), formando así una subcategoría específica y expresiva en lugar de la categoría continua completa.

Significancia y Reivindicaciones
El artículo afirma proporcionar las primeras herramientas para axiomatizar categorías de Markov con productos tensoriales infinitos utilizando diagramas de cuerdas. Su contribución principal es establecer un puente riguroso entre el razonamiento probabilístico discreto y el continuo. Al demostrar que la probabilidad continua puede abordarse como límites de entornos discretos vía productos tensoriales infinitos, este trabajo permite el uso de cálculos diagramáticos (específicamente la notación de placas) para razonar sobre sistemas continuos.

Los autores enfatizan que este enfoque permite la derivación de igualdades semánticas en la probabilidad continua directamente de los axiomas discretos. Observan que, aunque la construcción no captura la generalidad total de $\mathbf{BorelStoch}$ (específicamente respecto a los núcleos no localmente constantes), proporciona un marco rico para estudiar medidas de probabilidad en $\mathbb{R}$ y otros espacios continuos a través de la lente del espacio de Cantor. El trabajo se presenta como un paso fundacional hacia la conexión de enfoques semánticos con métodos de diagramas de cuerdas para la probabilidad continua, sugiriendo trabajos futuros para extender estos resultados a núcleos de Markov generales y otros modelos probabilísticos como las mezclas gaussianas.