Composable Uncertainty in Symmetric Monoidal Categories for Design Problems

Dit paper introduceert een constructie op basis van verrijkte categorieën die onzekerheid in open systemen binnen symmetrisch monoidale categorieën modelleert door morfismen te vervangen door parametrische kaarten in Markov-categorieën, waardoor de compositie van ontwerpproblemen kan worden uitgebreid naar toepassingen zoals optimalisatie en Bayesiaanse leer.

De kern

Hier is een uitleg van het paper "Composable Uncertainty in Symmetric Monoidal Categories for Design Problems" in eenvoudig Nederlands, vol met creatieve analogieën.

De Kernboodschap: Van "Perfecte Plannen" naar "Realistische Onzekerheid"

Stel je voor dat je een ingenieur bent die een complexe machine bouwt, zoals een elektrische auto. Traditioneel werken ingenieurs met perfecte plannen: "Als ik 100 kg batterij heb, krijg ik precies 500 km bereik." In de wiskundige wereld van dit paper noemen ze dit een ontwerpprobleem.

Maar in het echte leven is niets perfect.

• De batterijprestaties variëren (soms is hij beter, soms slechter).
• Het weer is onvoorspelbaar.
• De keuze van materialen heeft een onzekerheid.

Het probleem is: hoe bouw je een wiskundig model dat niet alleen werkt voor perfecte situaties, maar ook voor onzekerheid, en dat je kunt samenvoegen (componeren) als je verschillende onderdelen aan elkaar koppelt?

De auteurs (Furter, Huang en Zardini) hebben een nieuwe manier bedacht om dit te doen. Ze gebruiken een wiskundig raamwerk dat lijkt op het bouwen met LEGO-blokken, maar dan voor onzekerheid.

---

1. De LEGO-blokken van Ontwerp (De Basis)

Stel je voor dat elk onderdeel van je machine (de batterij, het chassis, de motor) een LEGO-blok is.

• In de oude manier van werken (de Design Problems of DP), zijn deze blokken strakke, vaste blokken. Je weet precies wat ze doen: "Geef mij stroom, ik geef jou snelheid."
• Je kunt deze blokken aan elkaar klikken (samenvoegen) om een heel systeem te maken. Dit noemen ze compositionaliteit. Het mooie is: als je twee blokken aan elkaar klikt, blijft het hele systeem logisch en voorspelbaar.

2. Het Nieuwe Spel: LEGO met "Wazige" Randen

Het probleem is dat echte blokken niet altijd strak zijn. Soms is een batterijblok een beetje "wazig". Het kan zijn dat de batterij meestal 500 km haalt, maar soms 450 km en soms 550 km, afhankelijk van de temperatuur.

De auteurs zeggen: "Laten we deze wazigheid niet weglaten, maar er een integraal onderdeel van maken."

Ze introduceren een magische lens (in de wiskunde een monad).

• Voorbeeld 1 (Intervallen): In plaats van te zeggen "De batterij weegt 10 kg", zeggen we "De batterij weegt tussen de 9 en 11 kg".
• Voorbeeld 2 (Kansen): In plaats van "De batterij weegt 10 kg", zeggen we "Er is 90% kans dat de batterij tussen de 9 en 11 kg weegt".

3. De Grote Uitdaging: Hoe koppel je wazige blokken?

Hier zit de knoop. Als je twee wazige blokken aan elkaar koppelt, wordt de onzekerheid vaak heel ingewikkeld.

• Als de batterij onzeker is én het chassis is onzeker, hoe bereken je dan de totale onzekerheid van de auto?
• Vaak breekt de logica als je dit probeert te doen met standaard wiskunde. De blokken "sluiten" niet meer perfect op elkaar aan.

De oplossing van het paper:
Ze gebruiken een slimme truc uit de "verrijkte categorieën" (een hoogstaand wiskundig concept). Ze zeggen eigenlijk:
"Laten we de blokken niet vervangen door wazige blokken, maar laten we de blokken houden zoals ze zijn, en de verbindingen tussen hen verrijken met onzekerheid."

Stel je voor dat je LEGO-blokken hebt die perfect passen. Je plakt er geen nieuwe, wazige blokken op. In plaats daarvan gebruik je flexibele, rekbaar rubberen kabeltjes om ze aan elkaar te verbinden.

• Deze kabeltjes dragen de onzekerheid (de parameter).
• Als je twee blokken koppelt, rekken de kabeltjes zich uit, maar de blokken zelf blijven strak en voorspelbaar.
• Hierdoor blijft de hele constructie (de auto) logisch en berekenbaar, zelfs als de kabeltjes (de onzekerheid) bewegen.

4. Waarom is dit zo handig? (De Praktijk)

Dit systeem is niet alleen mooi wiskunde; het lost echte problemen op:

• Betere Beslissingen: In plaats van te zeggen "De auto werkt niet als het regent", kun je nu zeggen: "Er is 80% kans dat de auto werkt, en als hij faalt, is het meestal bij zware regen." Hiermee kun je betere risico's afwegen.
• Leren van Data: Stel je bouwt een robotarm. Je hebt geen perfecte formule voor hoe de arm beweegt, maar je hebt wel data van eerdere tests. Met deze methode kun je je wiskundige model "leren" van die data. Je kunt zeggen: "Op basis van de data, is de kans dat deze motor faalt 5%."
• Optimalisatie: Je kunt nu zoeken naar de beste instellingen (bijv. welke batterij kiezen?) die de grootste kans hebben om te slagen, in plaats van alleen te kijken naar het "slechtst mogelijke scenario" (wat vaak te conservatief is).

Samenvattend in één zin:

De auteurs hebben een wiskundig raamwerk bedacht dat het mogelijk maakt om onzekerheid (zoals variaties in materialen of toevallige gebeurtenissen) op een logische manier in te bouwen in complexe systemen, zodat je die systemen nog steeds kunt ontwerpen, analyseren en verbeteren alsof het perfecte LEGO-blokken zijn, maar dan met realistische, flexibele verbindingen.

Het is alsof je van een wereld van statische blauwdrukken bent gegaan naar een wereld van dynamische, leerbare en aanpasbare ontwerpen, waar onzekerheid geen fout is, maar een eigenschap die je kunt managen.

Technische samenvatting

Hier is een gedetailleerde technische samenvatting van het artikel "Composable Uncertainty in Symmetric Monoidal Categories for Design Problems" van Furter, Huang en Zardini, in het Nederlands.

Probleemstelling

Het ontwerpen van complexe systemen (zoals in de engineering) is een uitdagende taak vanwege interacties tussen heterogene componenten, concurrerende doelstellingen en diverse belanghebbenden. De bestaande methoden voor co-ontwerp (co-design) maken gebruik van de categorie DP (Design Problems), een compact gesloten symmetrisch monoidale categorie (SMC) die systemen modelleert als processen die functionaliteit leveren in ruil voor middelen.

De huidige aanpak voor onzekerheid in co-ontwerp is echter beperkt:

1. Gebrek aan kwantitatieve maatstaven: Bestaande methoden gebruiken vaak boven- en ondergrenzen (robustheid), wat goed is voor veiligheidskritische toepassingen, maar geen kwantitatieve maatstaven biedt (zoals waarschijnlijkheid) voor het succes van een systeem onder specifieke randvoorwaarden.
2. Parametrische onzekerheid: Ontwerpproblemen bevatten vaak onzekerheid die gekoppeld is aan ontwerpkeuzes (bijv. de keuze van een materiaal met een elastische modulus die een verdeling volgt). Bestaande modellen kunnen deze parametrische afhankelijkheid en de bijbehorende kwantitatieve onzekerheid niet goed integreren in de compositie van systemen.

Het doel van dit werk is een algemeen raamwerk te creëren dat parametrische onzekerheid toevoegt aan symmetrisch monoidale categorieën, terwijl de essentiële structurele eigenschappen (zoals compact geslotenheid en (co)monoidale structuren) behouden blijven.

Methodologie

De auteurs combineren twee geavanceerde concepten uit de toegepaste categorietheorie: verrijkte categorieën en Markov-categorieën (via monaden), via een constructie genaamd verandering van basis (change-of-base).

1. Verrijkte Categorieën en Verandering van Basis:

   • In plaats van dat de hom-sets $C(X,Y)$ verzamelingen zijn, worden deze vervangen door objecten in een monoidale categorie $\mathcal{V}$.
   • De auteurs gebruiken een monoidale functor $N: \mathcal{V} \to \mathcal{W}$ om een $\mathcal{V}$-categorie $C$ om te zetten in een $\mathcal{W}$-categorie $N^*C$. Hierbij worden de pijlen vervangen door $N(C(X,Y))$.

2. Onzekerheidsmonaden en Markov-categorieën:

   • Onzekerheid wordt gemodelleerd door symmetrisch monoidale monaden $M$ op een categorie $\mathcal{V}$ (bijv. de powerset-monade voor subsets, de Giry-monade voor kansverdelingen).
   • De Kleisli-categorie $Kl_M$ van zo'n monade vormt een Markov-categorie, die de compositie van onzekere processen beschrijft.

3. De Gecombineerde Constructie (Deel 3):

   • De kern van de methode is het vervangen van de pijlen $C(X,Y)$ in een SMC door parametrische kaarten $A \to M(C(X,Y))$, waarbij $A$ een parameter-ruimte is en $M$ de onzekerheidsmonade.
   • Dit wordt gerealiseerd door een compositie van functors: eerst een verandering van basis langs de monade $M$ (naar $Kl_M$), en vervolgens het toepassen van een partieel slice-functie $U/(-)$ om externe parametrisering toe te voegen.
   • Het resultaat is een symmetrisch monoidale 2-categorie (bijna strikt), genaamd $(U/MF)^*C$.
     • 0-cellen: De objecten van de originele categorie $C$.
     • 1-cellen: Kaarten $f: U \to M(C(X,Y))$ (parametrische onzekerheid).
     • 2-cellen: Herparametrisering (reparametrization) via pijlen in de Kleisli-categorie die de parameter-ruimtes verbinden.

4. Behoud van Structuur:

   • De auteurs bewijzen dat deze constructie de (symmetrische) monoidale structuur, inclusief compact gesloten eigenschappen, overdraagt naar de nieuwe 2-categorie.
   • De originele categorie $C$ wordt strikt ingebed in de nieuwe categorie via een monoidale functor, waardoor alle bestaande co-design methoden nog steeds van toepassing zijn.

Belangrijkste Bijdragen

1. Universeel Raamwerk voor Composable Uncertainty: Een wiskundig onderbouwd schema om elke vorm van onzekerheid (intervallen, subsets, kansverdelingen) toe te voegen aan een willekeurige SMC, zonder de compositie-structuur te breken.
2. Behoud van Compact Gesloten Structuur: Het bewijs dat de complexe "wiring" en feedback-mechanismen (compact geslotenheid) die essentieel zijn voor co-design, intact blijven in de verrijkte setting.
3. Integratie van Parametrisering en Onzekerheid: Het onderscheid maken tussen interne en externe parametrisering, waarbij externe parametrisering (via slice-categorieën) flexibeler is voor ontwerpkeuzes die niet inherent aan de categorie zelf liggen.
4. Toepassing op Design Problems (DP): Het specifiek toepassen van dit raamwerk op de categorie DP, wat leidt tot nieuwe categorieën voor:
   • Parametriserde ontwerpproblemen (voor optimalisatie).
   • Parametriserde intervallen (voor robuustheid).
   • Parametriserde kansverdelingen (voor Bayesiaans leren en besluitvorming).

Resultaten

• Theoretisch: De auteurs hebben een constructie gedefinieerd die een symmetrisch monoidale $\mathcal{V}$-categorie transformeert in een "bijna strikte" symmetrisch monoidale 2-categorie. Ze tonen aan dat de onderliggende categorie strikt ingebed is en dat de coherentie-voorwaarden (associativiteit, eenheid, symmetrie) gelden tot op coherente 2-cellen (tensorators).
• Praktisch (Case Study - Elektrisch Voertuig):
  • Het model wordt toegepast op het ontwerp van een elektrisch voertuig (chassis en batterij).
  • Parametrisering: Ontwerpparameters (zoals materiaalkeuze $\theta$) worden expliciet gemodelleerd als invoer in de 1-cellen.
  • Onzekerheid: In plaats van vaste waarden, kunnen componenten worden gemodelleerd als verdelingen (bijv. kans op falen of prestatievariatie).
  • Besluitvorming: Het systeem maakt het mogelijk om vragen te stellen zoals "minimale kosten voor een gegeven snelheid" onder onzekerheid, waarbij men kan optimaliseren voor de worst-case (intervallen) of de verwachte waarde (kansverdelingen).
  • Leren: Het raamwerk ondersteunt Bayesiaans leren, waarbij prior-verdelingen over ontwerpparameters worden geüpdatet op basis van experimentele data (bijv. simulaties of testresultaten).

Significantie

Dit werk is van groot belang voor de toegepaste categorietheorie en systeemontwerp omdat het een brug slaat tussen abstracte wiskundige structuren en praktische engineeringproblemen.

• Van Robuustheid naar Kwaliteit: Het verschuift de focus van puur robuust ontwerp (worst-case scenario's) naar kwantitatief risicobeheer en kansgestuurd ontwerp.
• Compositionaliteit: Het behoudt het krachtigste aspect van co-design: het vermogen om complexe systemen op te bouwen uit kleinere, goed gedefinieerde onderdelen, zelfs als die onderdelen onzekerheid bevatten.
• Bayesiaans Leren in Systemen: Het biedt een wiskundig onderbouwd raamwerk voor het integreren van data-gedreven leren (Bayesiaanse inferentie) direct in de architectuur van het systeemontwerp, wat essentieel is voor moderne, adaptieve systemen en soft-robotica.

Kortom, de auteurs bieden een wiskundig "operating system" voor het omgaan met onzekerheid in complexe systemen, waarbij de compositie van systemen en het leren uit data naadloos met elkaar verweven zijn.