Intuitionistic $j$-Do-Calculus in Topos Causal Models

Immagina di essere un detective che cerca di risolvere un mistero, ma gli indizi che trovi dipendono interamente dalla stanza in cui ti trovi. In una stanza, un'impronta digitale su una finestra prova che il sospettato è entrato; nella stanza successiva, quella stessa impronta è solo una macchia lasciata dalla squadra delle pulizie. Questo è il cuore dell'inferenza causale, un ramo della scienza che cerca di capire cosa causa cosa, piuttosto che limitarsi a osservare cosa accade insieme ad altro. Di solito, i detective usano un insieme di regole logiche (chiamate do-calculus) per chiedersi: "Cosa accadrebbe se costrassi il sospettato a entrare?", tagliando mentalmente le solite catene di eventi. Ma queste regole assumono che tu stia guardando il mondo intero da un unico, perfetto punto di vista.

Il problema è che il mondo reale non è una singola stanza; è un edificio con molti diversi contesti, o "regimi". Un trattamento medico potrebbe funzionare in un ospedale soleggiato ma fallire in una clinica sotto la pioggia. Una regola che funziona per un gruppo di persone potrebbe rompersi per un altro. Gli scienziati hanno a lungo desiderato un modo per mescolare questi diversi punti di vista senza perdere la logica della catena di causa ed effetto. Hanno bisogno di un sistema che possa dire: "Questa regola è vera in queste specifiche stanze e, poiché queste stanze coprono l'intero edificio, la regola è vera per l'intero edificio".

È esattamente ciò che il saggio di Sridhar Mahadevan, Intuitionistic j-Do-Calculus in Topos Causal Models, si propone di fare. L'autore costruisce un nuovo "collante" matematico che ci permette di prendere le normali regole di causa ed effetto e applicarle pezzo per pezzo attraverso diversi ambienti, per poi ricucire quei pezzi in un'unica, affidabile verità.

Il kit di attrezzi del detective: dalle singole stanze all'intera città

Per capire la magia del saggio, guardiamo prima agli strumenti che utilizza. Immagina una città dove ogni quartiere ha il proprio set di leggi. Nel "Distretto dell'Osservazione", puoi solo osservare ciò che accade naturalmente. Nel "Distretto dell'Intervento", puoi andare in giro e spostare fisicamente le cose per vedere cosa cambia.

Nel vecchio modo di procedere (chiamato do-calculus classico), dovevi scegliere un distretto e restare lì. Se volevi sapere se una nuova politica avesse causato una diminuzione della criminalità, dovevi assumere che i tuoi dati provenissero da un mondo singolo e coerente. Ma cosa succede se i tuoi dati sono un mix disordinato? Cosa succede se alcuni dati provengono da un periodo in cui pioveva e altri da quando c'era il sole?

Il saggio introduce un nuovo concetto chiamato j-stabilità. Immaginalo come una "rete di sicurezza" per la tua logica. Inve invece di chiedere: "Questa regola è vera ovunque?", il saggio chiede: "Questa regola è vera su un set specifico di mappe locali che, messe insieme, coprono l'intero territorio?".

Ecco come funziona il nuovo sistema del saggio, usando una metafora giocosa:

1. La mappa dei regimi (Il Sito)
Immagina che il mondo sia un enorme puzzle, ma invece di pezzi piatti, i pezzi sono diversi "regimi" o contesti. Un pezzo è "Dati Osservativi", un altro è "Dati Sperimentali" e un altro ancora è "Dati da un Ospedale Specifico". Nel linguaggio del saggio, questi sono chiamati stadi o mappe (charts). L'autore li tratta non solo come pile separate di dati, ma come una rete connessa dove puoi passare da un contesto all'altro.

2. Le regole locali (Semantica per mappe)
Su ogni singolo pezzo del puzzle (ogni regime), l'autore utilizza le regole standard e consolidate di causa ed effetto. Se ti trovi nel pezzo "Osservativo", usi la logica standard per vedere se due cose sono indipendenti. Se ti trovi nel pezzo "Interventivo", usi la logica standard per vedere cosa succede quando forzi un cambiamento. Il saggio insiste sul fatto che non inventiamo nuove regole per questi pezzi locali; usiamo semplicemente quelle di cui già ci fidiamo.

3. Il collante (Teoria degli Sheaf e Descent)
Questa è la parte più creativa. Il saggio si chiede: "Se una regola è vera nel pezzo 'Osservativo' E se è vera nel pezzo 'Interventivo', e questi due pezzi si sovrappongono in un modo che ha senso, possiamo dire che la regola è vera per l'intero puzzle?".

La risposta è sì, ma solo se i pezzi si incastrano perfettamente. L'autore utilizza un concetto matematico chiamato teoria degli sheaf (pensa a un collante molto rigoroso e di alta qualità) per garantire che le verità locali non si contraddicano tra loro. Se le verità locali concordano sulle sovrapposizioni, il "collante" permette loro di discendere in un'unica verità globale. Questo è chiamato descent (discesa).

Cosa trova realmente il saggio

Il saggio dimostra un teorema di correttezza (soundness) da locale a globale. In parole semplici, questo significa che:

• Se riesci a verificare una regola causale (come "la Variabile A causa la Variabile B") su una collezione di mappe locali (un J-cover) che insieme coprono la tua intera situazione...
• E se il modo in cui ti muovi tra queste mappe preserva la struttura causale (mantenendo le stesse variabili e regole)...
• Allora sei matematicamente garantito che la regola sia vera per l'intera situazione, anche se non puoi vedere l'intera immagine contemporaneamente.

L'autore applica questo alle tre famose regole del do-calculus di Pearl. Queste regole ci dicono quando possiamo scambiare un'azione (come un farmaco) con un'osservazione (come un sintomo) nelle nostre equazioni. Il saggio dimostra che queste regole funzionano ancora in questo mondo disordinato e multi-regime, a patto che siano vere sulle mappe locali.

Ciò che il saggio esplicitamente rifiuta

È fondamentale sapere cosa questo saggio non fa, perché l'autore è molto attento a tracciare i confini:

• Non sostiene di poter risolvere tutto. Il saggio dichiara esplicitamente che si tratta di un teorema di "correttezza" (soundness), il che significa che ti dice quando è sicuro usare le regole. Non pretende di essere un teorema di "completezza", il che significherebbe che può trovare ogni possibile risposta causale. Potrebbero esserci verità causali che questo metodo semplicemente non può raggiungere.
• Non dice che "Intervento" e "Condizionamento" sono la stessa cosa. In alcune matematiche avanzate, si cerca di trattare l'atto di "fare" qualcosa e l'atto di "osservare" qualcosa come due lati della stessa medaglia (usando il concetto di estensioni di Kan). Questo saggio rifiuta esplicitamente tale idea. Argomenta che l'intervento è una sostituzione fisica di un meccanismo (come sostituire un componente in una macchina), mentre il condizionamento è solo l'osservazione di una specifica fetta di dati. Sono operazioni diverse, e il saggio si rifiuta di fonderle.
• Non assume che il mondo sia sempre "Booleano" (bianco o nero). Nella logica standard, un'affermazione è o vera o falsa. In questo nuovo quadro, un'affermazione può essere "vera su una copertura" (vera nelle mappe locali) senza essere "globalmente vera" in un senso semplice e binario. La logica è più flessibile, simile a un dimmer piuttosto che a un interruttore on/off.

Il succo: un nuovo modo per cucire insieme il mondo

Il saggio non ti fornisce un nuovo farmaco o un nuovo algoritmo da eseguire subito sul tuo computer. Inveve, ti fornisce un nuovo quadro logico su come pensare al ragionamento causale quando il mondo è complesso e frammentato.

Immagina di voler prevedere il tempo. Hai una previsione locale per la spiaggia, una per la montagna e una per la città. Se la previsione della spiaggia dice "sole" e quella della montagna dice "sole", e queste si sovrappongono in un modo che ha senso, puoi affermare con fiducia che "fa sole ovunque". Ma se la spiaggia dice "sole" e la montagna dice "pioggia", non puoi semplicemente tirare a indovinare.

Il s saggio di Mahadevan fornisce la prova matematica rigorosa di quando sei autorizzato a cucire insieme quelle previsioni locali in una previsione globale. Dimostra che se le regole locali di causa ed effetto reggono in ogni contesto specifico (le "mappe"), e se quei contesti coprono l'intera immagine, allora la conclusione causale è valida per l'intero sistema.

L'autore nota con cura che questa è una svolta teorica. Il saggio assume che tu abbia già le mappe locali e le coperture; non ti dice come trovarle dai dati grezzi (quello è compito di un saggio complementare). Ma per chiunque cerchi di costruire sistemi di intelligenza artificiale o di machine learning che debbano ragionare su causa ed effetto attraverso diversi ambienti — come un'auto a guida autonoma che si comporta diversamente sotto la pioggia rispetto al sole — questo saggio fornisce il "collante" essenziale per garantire che la logica tenga insieme.

In breve, il saggio dice: "Non hai bisogno di una visione singola e perfetta del mondo per conoscere la verità. Se hai abbastanza visioni locali che si incastrano tra loro, la verità emergerà dal collante".