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

Resumo Técnico: Incerteza Componível em Categorias Monoidais Simétricas para Problemas de Design

Enunciado do Problema
O design de sistemas complexos frequentemente depende de modelos categóricos de sistemas abertos, especificamente a categoria de problemas de design (DP), que é uma categoria monoidal simétrica (SMC) compactamente fechada. Em DP, os morfismos representam relações de viabilidade entre recursos e funcionalidades, modeladas como aplicações monótonas. Embora este arcabouço suporte o co-design composicional, ele assume que os sistemas são totalmente conhecidos e determinísticos. Na prática, os sistemas envolvem incerteza (por exemplo, propriedades de materiais seguindo distribuições, limites de desempenho ou probabilidades imprecisas) e dependências paramétricas (por exemplo, escolhas de design afetando parâmetros ótimos). Os métodos atuais para lidar com a incerteza no co-design, como o uso de limites superiores e inferiores, são robustos, mas carecem de medidas quantitativas de probabilidade de sucesso ou da capacidade de modelar incertezas paramétricas que dependem de escolhas de design específicas. Há uma necessidade de um arcabouço que integre semânticas de incerteza quantitativa (como intervalos, subconjuntos ou distribuições) na estrutura composicional de sistemas abertos, preservando as propriedades subjacentes de SMC.

Metodologia
Os autores propõem um esquema geral para adicionar incerteza paramétrica a qualquer categoria monoidal simétrica (SMC) aproveitando a construção de mudança de base para categorias enriquecidas. A metodologia procede em três etapas principais:

1. Semântica de Incerteza via Monads: A incerteza é modelada usando monads monoidais simétricas ($M$) em uma categoria monoidal base $V$ (por exemplo, $\mathbf{Set}$, $\mathbf{Pos}$, $\mathbf{Meas}$). A categoria de Kleisli $\mathbf{Kl}_M$ de tal monad forma uma categoria de Markov, capturando vários tipos de incerteza (por exemplo, a monad do powerset para subconjuntos, a monad de Giry para distribuições de probabilidade ou a monad de seta para intervalos).
2. Mudança de Base para Enriquecimento: Dado uma $V$-categoria $\mathcal{C}$, os autores substituem os objetos de hom $\mathcal{C}(X,Y)$ por aplicações paramétricas $A \to M\mathcal{C}(X,Y)$, onde $A$ é um espaço de parâmetros. Isso é alcançado aplicando a construção de mudança de base ao longo de um funtor monoidal simétrico $N: V \to W$ (especificamente, o funtor identidade-nos-objetos $L_M: V \to \mathbf{Kl}_M$).
3. Functor de Fatiamento Parcial para Parametrização: Para introduzir parametrização externa, os autores utilizam o funtor de fatiamento parcial $U/(-)$, onde $U$ é uma subcategoria estrita monoidal da categoria alvo. Este funtor mapeia objetos para categorias de vírgula, tratando efetivamente setas como famílias de morfismos indexados por objetos em $U$.

Ao combinar estes elementos, os autores constroem uma nova 2-categoria, denominada $(U/MF)^*\mathcal{C}$, onde:

• 0-células são os objetos da categoria original $\mathcal{C}$.
• 1-células são morfismos na categoria de Kleisli da monad, representando aplicações paramétricas $A \to M\mathcal{C}(X,Y)$.
• 2-células são aplicações de reparametrização (setas na categoria de Kleisli) entre espaços de parâmetros.

A composição de 1-células utiliza a força da monad para combinar espaços de parâmetros e compor os processos incertos subjacentes. A estrutura resultante é uma 2-categoria monoidal simétrica quase estrita, onde a lei de intercâmbio e a simetria ocorrem até 2-células invertíveis coerentes (tensorators).

Principais Contribuições

• Construção Geral: O artigo estabelece uma construção rigorosa que transforma qualquer $V$-categoria monoidal simétrica $\mathcal{C}$ em uma 2-categoria com incerteza paramétrica, preservando os objetos originais e incorporando a categoria original via um funtor simétrico estrito.
• Preservação de Estrutura: A construção prova que as estruturas compactamente fechadas, (co)monoidais e suprimentos (como mapas de cópia e deleção) são transferidos da categoria original para a nova 2-categoria. Isso garante que o raciocínio composicional e os loops de feedback permaneçam válidos na presença de incerteza.
• Flexibilidade de Semântica: O arcabouço é agnóstico ao tipo específico de incerteza, desde que possa ser modelado por uma monad monoidal simétrica. Os autores demonstram aplicabilidade a:
  • Incerteza possibilística: Usando a monad do powerset (subconjuntos) ou a monad de seta (intervalos).
  • Incerteza probabilística: Usando a monad de Giry (distribuições) sobre espaços mensuráveis.
• Aplicação a Problemas de Design (DP): Os autores aplicam esta construção à categoria de problemas de design ($DP$). Eles mostram que $DP$ pode ser visto como enriquecido em $\mathbf{Pos}$, $\mathbf{Set}$ ou $\mathbf{Meas}$, permitindo a criação de categorias de problemas de design parametrizados, intervalos parametrizados de problemas de design e distribuições parametrizadas de problemas de design.

Resultados e Exemplos
O artigo demonstra a utilidade da construção através de aplicações específicas à categoria de problemas de design:

• Problemas de Design Parametrizados: A 2-categoria $(U/\text{Id})^*DP$ modela problemas de design onde a viabilidade depende de parâmetros externos (ex: condições ambientais ou escolhas de design).
• Design Robusto: Usando a monad do powerset, $(U/\text{Pow}_\emptyset)^*DP$ modela problemas de design robustos onde um parâmetro mapeia para um subconjunto não vazio de designs viáveis, permitindo análise de pior caso.
• Design Probabilístico: Usando a monad de distribuição, $(U/D_\Sigma)^*DP$ modela problemas de design onde componentes possuem características de desempenho probabilísticas. Isso permite a modelagem de influências aleatórias e o uso da teoria da decisão Bayesiana.
• Aprendizado e Inferência: O arcabouço suporta o aprendizado de problemas de design a partir de dados. Por exemplo, em um cenário Bayesiano, a construção permite a condicionamento de distribuições de problemas de design em dados observados (ex: triplas viáveis de velocidade, carga e custo) para atualizar crenças sobre parâmetros desconhecidos.
• Aprendizado Ativo: A natureza composicional da construção permite a composição de modelos substitutos (surrogate models) para componentes individuais para prever informações de nível de sistema e atualizar crenças, facilitando estratégias de aprendizado ativo.

Significância
O artigo afirma que esta construção fornece um arcabouço unificado e composicional para integrar incerteza quantitativa no estudo de sistemas abertos e co-design. Ao preservar as estruturas monoidais simétricas e compactamente fechadas subjacentes, permite que engenheiros e pesquisadores apliquem ferramentas categóricas estabelecidas (como queries funcionais e raciocínio diagramático) a sistemas incertos. A capacidade de lidar com várias semânticas de incerteza (intervalos, subconjuntos, distribuições) dentro de um único arcabouço 2-categórico aborda a limitação dos métodos atuais que dependem apenas de limites determinísticos. A construção permite a decomposição de problemas de design incertos complexos em componentes mais simples e solucionáveis, mantendo uma base matemática rigorosa para a tomada de decisão e aprendizado sob incerteza.