변수 결합과 대칭 모노이달 폐쇄 이론을 이용한 빅그래프 재구성

초록

이 논문은 대칭 모노이달 폐쇄(SMC) 구조를 활용해 변수 결합을 포함한 구문을 표현한다. SMC 이론 T를 정의하고, 그 자유 SMC 범주 S(T)를 구성함으로써 구문 항을 범주의 사상으로 본다. 이를 제이슨·밀너의 추상 결합 빅그래프에 적용해, 프로세스의 선형성을 보존하는 새로운 빅그래프 범주를 제시하고 기존 정의와 비교한다.

상세 분석

논문은 먼저 변수 결합을 다루는 전통적인 방법—예를 들어 이름 바인딩을 명시적으로 관리하거나 고차 추상 구문(HOAS)을 사용하는 방식—의 한계를 지적한다. 특히 선형 자원(예: 프로세스)의 사용이 제한되는 언어에서는 바인딩과 자원 소비를 동시에 추적해야 하는데, 기존 기법은 이러한 두 요구를 자연스럽게 통합하기 어렵다. 저자는 이를 해결하기 위해 대칭 모노이달 폐쇄(SMC) 범주의 구조를 도입한다. SMC 이론 T는 객체(형)와 생성자(연산)로 이루어지며, 연산은 ⊗(텐서)와 ⊸(함수형) 같은 모노이달 연산자를 통해 결합된다. 특히 ⊸는 변수 바인딩을 함수형으로 모델링할 수 있게 해, 바인딩된 변수는 입력으로, 바인딩 결과는 출력으로 나타난다.

T로부터 자유 SMC 범주 S(T)를 구성하는 과정은 ‘정규 형태’와 ‘동형 사상’의 동등류를 이용한다. 사상은 그래프 형태의 ‘증명 구조’로 해석되며, 텐서 곱은 병렬 구성을, 내부 함자는 바인딩을 의미한다. 이때 선형성은 ⊗와 ⊸의 사용 규칙에 의해 자동으로 보장된다—즉, 한 사상이 두 번 이상 같은 자원을 소비하면 타입 오류가 발생한다.

이 구조를 빅그래프에 적용하면, 빅그래프의 두 층(위치 그래프와 연결 그래프)이 각각 SMC의 객체와 사상으로 매핑된다. 위치 그래프는 텐서 곱으로, 연결 그래프는 내부 함자로 표현되며, 빅그래프의 ‘링크’는 SMC 범주의 합성에 해당한다. 저자는 기존 빅그래프 정의에서 요구되는 복잡한 동형 사상(예: 이름 동치와 스코프 이동)을 S(T) 내부의 동형 사상으로 단순화한다. 결과적으로, 새로운 빅그래프 범주는 구성과 합성 규칙이 SMC 연산에 완전히 귀속되므로, 선형성 검증과 바인딩 관리가 형식적으로 동일한 체계 안에서 이루어진다. 또한, 기존 빅그래프와의 비교를 통해 동등성(동형 사상)과 동작(전이) 측면에서 보존되는 부분과 차이점을 명확히 제시한다.

이 접근법의 핵심 통찰은 ‘바인딩을 함수형 사상으로, 선형 자원을 텐서 곱으로’ 보는 점이다. 이를 통해 변수 스코프와 자원 사용을 별도의 메타레벨이 아닌, 범주론적 구조 자체에 내재화한다. 따라서 복잡한 바인딩 규칙을 별도 인코딩 없이도 SMC 이론만으로 기술할 수 있다.