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

Sintesi Tecnica: Incertezza Componibile nelle Categorie Monoidali Simmetriche per Problemi di Progettazione

Enunciato del Problema
La progettazione di sistemi complessi si basa spesso su modelli categoriali di sistemi aperti, specificamente la categoria dei problemi di progettazione (DP), che è una categoria monoidale simmetrica (SMC) compatta chiusa. In DP, i morfismi rappresentano relazioni di fattibilità tra risorse e funzionalità, modellate come mappe monotone. Sebbene questo framework supporti il co-design composizionale, esso assume che i sistemi siano pienamente noti e deterministici. Nella pratica, i sistemi comportano incertezza (ad esempio, proprietà dei materiali che seguono distribuzioni, limiti di prestazione, o probabilità imprecise) e dipendenze parametriche (ad esempio, scelte progettuali che influenzano i parametri ottimali). Gli attuali metodi per gestire l'incertezza nel co-design, come l'uso di limiti superiori e inferiori, sono robusti ma mancano di misure quantitative di successo probabilistico o della capacità di modellare incertezze parametriche che dipendono da specifiche scelte progettuali. Esiste la necessità di un framework che integri la semantica dell'incertezza quantitativa (come intervalli, sottoinsiemi o distribuzioni) nella struttura composizionale dei sistemi aperti preservando al contempo le proprietà sottostanti della SMC.

Metodologia
Gli autori propongono uno schema generale per aggiungere l'incertezza parametrica a qualsiasi categoria monoidale simmetrica (SMC) sfruttando la costruzione di cambio di base per le categorie arricchite. La metodologia procede in tre fasi principali:

1. Semantica dell'Incertezza tramite Monadi: L'incertezza è modellata utilizzando monadi monoidali simmetriche ($M$) su una categoria monoidale di base $V$ (ad esempio, $\mathbf{Set}$, $\mathbf{Pos}$, $\mathbf{Meas}$). La categoria di Kleisli $\mathbf{Kl}_M$ di tale monade forma una categoria di Markov, catturando vari tipi di incertezza (ad esempio, la monade powerset per i sottoinsiemi, la monade Giry per le distribuzioni di probabilità, o la monade arrow per gli intervalli).
2. Cambio di Base per l'Arricchimento: Data una $V$-categoria $\mathcal{C}$, gli autori sostituiscono gli oggetti hom $\mathcal{C}(X,Y)$ con mappe parametriche $A \to M\mathcal{C}(X,Y)$, dove $A$ è uno spazio di parametri. Ciò viene ottenuto applicando la costruzione di cambio di base lungo un funtore monoidale simmetrico $N: V \to W$ (specificamente, il funtore identità-sugli-oggetti $L_M: V \to \mathbf{Kl}_M$).
3. Funtore Slice Parziale per la Parametrizzazione: Per introdurre la parametrizzazione esterna, gli autori utilizzano il funtore slice parziale $U/(-)$, dove $U$ è una sottocategoria stretta monoidale della categoria target. Questo funtore mappa gli oggetti in categorie comma, trattando efficacemente le frecce come famiglie di morfismi indicizzate da oggetti in $U$.

Combinando questi elementi, gli autori costruiscono una nuova 2-categoria, denotata $(U/MF)^*\mathcal{C}$, dove:

• 0-celle sono gli oggetti della categoria originale $\mathcal{C}$.
• 1-celle sono morfismi nella categoria di Kleisli della monade, che rappresentano mappe parametriche $A \to M\mathcal{C}(X,Y)$.
• 2-celle sono mappe di riparametrizzazione (frecce nella categoria di Kleisli) tra spazi di parametri.

La composizione delle 1-celle utilizza la forza della monade per combinare gli spazi di parametri e comporre i processi incerti sottostanti. La struttura risultante è una 2-categoria monoidale simmetrica quasi stretta, dove la legge di interscambio e la simmetria valgono fino a 2-celle invertibili coerenti (tensorator).

Contributi Chiave

• Costruzione Generale: Il documento stabilisce una costruzione rigorosa che trasforma qualsiasi $V$-categoria monoidale simmetrica $\mathcal{C}$ in una 2-categoria monoidale simmetrica con incertezza parametrica, preservando gli oggetti originali e includendo la categoria originale tramite un funtore monoidale simmetrico stretto.
• Preservazione della Struttura: La costruzione dimostra che le strutture compatte chiuse, le strutture (co)monoidali e le forniture (come le mappe di copia e cancellazione) si trasferiscono dalla categoria originale alla nuova 2-categoria. Ciò garantisce che il ragionamento composizionale e i cicli di feedback rimangano validi in presenza di incertezza.
• Flessibilità della Semantica: Il framework è agnostico rispetto al tipo specifico di incertezza, purché possa essere modellato da una monade monoidale simmetrica. Gli autori dimostrano l'applicabilità a:
  • Incertezza possibilistica: Utilizzando la monade powerset (sottoinsiemi) o la monade arrow (intervalli).
  • Incertezza probabilistica: Utilizzando la monade Giry (distribuzioni) su spazi misurabili.
• Applicazione ai Problemi di Progettazione (DP): Gli autori applicano questa costruzione alla categoria dei problemi di progettazione ($DP$). Mostrano che $DP$ può essere visto come arricchito in $\mathbf{Pos}$, $\mathbf{Set}$, o $\mathbf{Meas}$, permettendo la creazione di categorie di problemi di progettazione parametrizzati, intervalli di problemi di progettazione parametrizzati e distribuzioni di problemi di progettazione parametrizzati.

Risultati ed Esempi
Il documento dimostra l'utilità della costruzione attraverso applicazioni specifiche alla categoria dei problemi di progettazione:

• Problemi di Progettazione Parametrizzati: La 2-categoria $(U/\text{Id})^*DP$ modella problemi di progettazione in cui la fattibilità dipende da parametri esterni (ad esempio, condizioni ambientali o scelte progettuali).
• Progettazione Robusta: Utilizzando la monade powerset, $(U/\text{Pow}_\emptyset)^*DP$ modella problemi di progettazione robusta in cui un parametro mappa a un sottoinsieme non vuoto di design fattibili, permettendo l'analisi del caso peggiore.
• Progettazione Probabilistica: Utilizzando la monade di distribuzione, $(U/D_\Sigma)^*DP$ modella problemi di progettazione in cui i componenti hanno caratteristiche di prestazione probabilistiche. Ciò consente di modellare influenze casuali e l'uso della teoria decisionale bayesiana.
• Apprendimento e Inferenza: Il framework supporta l'apprendimento di problemi di progettazione dai dati. Ad esempio, in un contesto bayesiano, la costruzione permette di condizionare le distribuzioni dei problemi di progettazione sui dati osservati (ad esempio, triadi fattibili di velocità, carico e costo) per aggiornare le credenze su parametri sconosciuti.
• Apprendimento Attivo: La natura composizionale della costruzione permette di comporre modelli surrogati per singoli componenti per predire informazioni a livello di sistema e aggiornare le credenze, facilitando strategie di apprendimento attivo.

Significatività
Il documento afferma che questa costruzione fornisce un framework unificato e composizionale per integrare l'incertezza quantitativa nello studio dei sistemi aperti e del co-design. Preservando le strutture monoidali simmetriche e compatte chiuse sottostanti, permette agli ingegneri e ai ricercatori di applicare strumenti categoriali stabiliti (come query funtoriali e ragionamento diagrammatico) a sistemi incerti. La capacità di gestire varie semantiche dell'incertezza (intervalli, sottoinsiemi, distribuzioni) all'interno di un unico framework 2-categoriale affronta il limite degli attuali metodi che si basano esclusivamente su limiti deterministici. La costruzione consente la decomposizione di complessi problemi di progettazione incerti in componenti più semplici e risolvibili, mantenendo al contempo un fondamento matematico rigoroso per il processo decisionale e l'apprendimento sotto incertezza.