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

技术摘要：对称单子范畴中可组合的不确定性用于设计问题

问题陈述
复杂系统的设计通常依赖于开放系统的范畴模型，特别是设计问题（Design Problem, DP）范畴，这是一个紧致闭对称单子范畴（Compact Closed Symmetric Monoidal Category, SMC）。在 DP 中，态射表示资源与功能之间的可行性关系，通过单调映射进行建模。虽然该框架支持组合式协同设计（Compositional Co-design），但它假设系统是完全已知且确定性的。在实践中，系统涉及不确定性（例如，材料属性遵循分布、性能边界或不精确的概率）以及参数依赖性（例如，设计选择影响最优参数）。目前处理协同设计中不确定性的方法（如使用上下界）虽然具有鲁棒性，但缺乏对成功概率的定量度量，也无法对依赖于特定设计选择的参数不确定性进行建模。因此，需要一种能够将定量不确定性语义（如区间、子集或分布）整合进开放系统组合结构中，同时保持底层 SMC 特性的框架。

方法论
作者提出了一种通用的方案，通过利用富集范畴（Enriched Categories）的换基构造（Change-of-base construction），为任何对称单子范畴（SMC）添加参数化不确定性。该方法分为三个主要步骤：

1. 通过单子实现不确定性语义： 不确定性通过基范畴 $V$（例如 $\mathbf{Set}$、$\mathbf{Pos}$、$\mathbf{Meas}$）上的对称单子（Symmetric Monoidal Monads, $M$）进行建模。此类单子的 Kleisli 范畴 $\mathbf{Kl}_M$ 构成一个马尔可夫范畴（Markov Category），捕捉各种不确定性类型（例如，用于子集的幂集单子，用于概率分布的 Giry 单子，或用于区间的箭头单子）。
2. 用于富集的换基： 给定一个 $V$-范畴 $\mathcal{C}$，作者将其同态对象 $\mathcal{C}(X,Y)$ 替换为参数化映射 $A \to M\mathcal{C}(X,Y)$，其中 $A$ 是参数空间。这是通过沿着对称单子函子 $N: V \to W$（具体为恒等对象函子 $L_M: V \to \mathbf{Kl}_M$）应用换基构造来实现的。
3. 用于参数化的部分切片函子： 为了引入外部参数化，作者利用了部分切片函子 $U/(-)$，其中 $U$ 是目标范畴的一个严格单子子范畴。该函子将对象映射到逗号范畴（Comma Categories），有效地将态射视为由 $U$ 中对象索引的族。

通过结合上述步骤，作者构建了一个新的 2-范畴，记作 $(U/MF)^*\mathcal{C}$：

• **0-单元（0-cells）**是原范畴 $\mathcal{C}$ 的对象。
• **1-单元（1-cells）**是 Kleisli 范畴中的态射，代表参数化映射 $A \to M\mathcal{C}(X,Y)$。
• **2-单元（2-cells）**是参数空间之间的重参数化映射（Kleisli 范畴中的箭头）。

1-单元的复合利用单子的强度（Strength）来组合参数空间并组合底层的确定过程。所得结构是一个近乎严格的对称单子 2-范畴，其中交换律和对称性在相干可逆 2-单元（Tensorators）的意义下成立。

核心贡献

• 通用构造： 本文建立了一种严谨的构造，可以将任何对称单子 $V$-范畴 $\mathcal{C}$ 转换为具有参数化不确定性的对称单子 2-范畴，同时保留原有的对象，并通过一个严格对称单子函子嵌入原范畴。
• 结构保持： 该构造证明了紧致闭结构、（共）单子结构以及供应（Supplies，如复制和删除映射）可以从原范畴转移到新的 2-范畴中。这确保了在存在不确定性的情况下，组合推理和反馈循环仍然有效。
• 语义灵活性： 该框架对不确定性的具体类型是不可知的，只要该类型可以由对称单子进行建模。作者展示了其对以下内容的适用性：
  • 可能论不确定性（Possibilistic uncertainty）： 使用幂集单子（子集）或箭头单子（区间）。
  • 概率不确定性（Probabilistic uncertainty）： 使用可测空间上的 Giry 单子（分布）。
• 对设计问题（DP）的应用： 作者将此构造应用于设计问题（DP）范畴。他们表明 $DP$可以被视为富集在$\mathbf{Pos}$、$\mathbf{Set}$或$\mathbf{Meas}$ 中的范畴，从而允许创建参数化设计问题、参数化区间设计问题以及参数化分布设计问题。

结果与示例
论文通过对设计问题范畴的具体应用展示了该构造的效用：

• 参数化设计问题： $(U/\text{Id})^*DP$ 模拟了可行性取决于外部参数（如环境条件或设计选择）的设计问题。
• 鲁棒设计： 使用幂集单子，$(U/\text{Pow}_\emptyset)^*DP$ 模拟了鲁棒设计问题，其中参数映射到非空的可行设计子集，从而允许进行最坏情况分析。
• 概率设计： 使用分布单子，$(U/D_\Sigma)^*DP$ 模拟了组件具有概率性能特征的设计问题。这使得对随机影响建模以及使用贝叶斯决策理论成为可能。
• 学习与推理： 该框架支持从数据中学习设计问题。例如，在贝叶斯设置下，该构造允许根据观测数据（例如，速度、载荷和成本的可行三元组）对未知参数的分布进行条件化，以更新信念。
• 主动学习： 该构造的组合性质允许通过组合单个组件的代理模型（Surrogate Models）来预测系统级信息并更新信念，从而促进主动学习策略。

意义
本文声称，该构造提供了一个统一的、组合式的框架，用于将定量不确定性整合到开放系统和协同设计的研究中。通过保持底层的对称单子和紧致闭结构，该框架允许工程师和研究人员将成熟的范畴工具（如函子查询和图表推理）应用于不确定系统。其处理各种不确定性语义（区间、子集、分布）的能力，解决了目前仅依赖确定性边界方法的局限性。该构造使得将复杂的确定性设计问题分解为更简单的、可求解的组件成为可能，同时保持了进行决策和学习不确定性的严谨数学基础。