회로 대수와 모듈러 작용소의 분배법칙 및 신경 정리

초록

회로 대수는 Jones의 평면 대수를 대칭화한 구조로, 가상 교차와 피드백 루프를 그래픽하게 기술한다. 본 논문은 모듈러 작용소에 대한 기존 결과를 확장하여 회로 대수의 그래픽 계산법과 단일 모나드 O를 구축하고, 분배법칙과 추상 신경 이론을 결합한 새로운 신경 정리를 증명한다. 또한 방향성 회로 대수가 휠드 프롭과 동등함을 보이며, 그 특수화 결과를 즉시 얻는다.

상세 분석

본 연구는 회로 대수라는 대칭적 작용소 구조를 모듈러 작용소와 연결시키는 데 핵심적인 세 가지 모나드 L, D, T를 도입한다. L 은 그래프의 텐서곱을 담당하는 단순한 모나드이며, D 는 단위(루프) 삽입을, T 는 그래프 결합(합성) 연산을 담당한다. 저자는 베크(Bek)와 코흐(Kock)의 분배법칙 이론을 이용해 λ₁: D ∘ T ⇒ T ∘ D, λ₂: L ∘ (T ∘ D) ⇒ (T ∘ D) ∘ L 과 같은 두 단계의 자연 변환을 정의하고, 이들이 만족하는 네 개의 교환 법칙을 검증한다. 이렇게 얻어진 반복 분배법칙은 세 모나드의 복합 L ∘ D ∘ T = LDT 가 다시 모나드 구조를 갖게 함을 보인다. 이 복합 모나드가 바로 회로 대수의 모나드 O이며, 기존의 모듈러 작용소 모나드와 동일한 알제브라적 행동을 제공한다.

다음으로 저자는 그래프 카테고리 Ξ× 을 정의한다. 객체는 “단일 루프가 없는” 그래프(즉, 각 정점이 입·출을 갖는 유향 그래프)이며, 사상은 그래프 삽입과 동형 사상으로 구성된다. 이 카테고리는 O‑알제브라와 완전하게 내재된 전단사(fully faithful) 임베딩을 제공한다. 이를 통해 **세갈 조건(Segal condition)**을 그래프 프리쉐이브 psh(Ξ×) 에 전이시킨다. 즉, 복합 연산이 각 부분 그래프에 의해 완전히 결정된다는 의미이며, 이는 회로 대수의 조합법칙을 정확히 포착한다.

위의 구조를 바탕으로 저자는 웨버(Weber)의 추상 신경 이론을 적용한다. 핵심은 복합 모나드 LDT 가 아리티(arities) 를 갖는다는 것을 보이는 것이다. 저자는 LDT 를 D‑알제브라 위에 리프트하고, 이 리프트된 모나드 eLT* 가 GS* ( D‑알제브라의 EM 카테고리) 위에서 아리티를 보유함을 증명한다. 결과적으로 신경 정리(정리 8.4)는 “N: CA → psh(Ξ×)”가 완전 충실(full and faithful)하고, 이미지가 정확히 “세갈” 프리쉐이브인 것을 보인다.

또한 방향성 회로 대수가 휠드 프롭과 동등함을 보여, 휠드 프롭에 대한 기존 결과를 즉시 특수화한다. 저자는 비단위(비유니터) 경우와 비교해 루프 문제(“문제 of loops”)가 어떻게 사라지는지 설명하고, 비단위 회로 대수에 대한 코시( Koszul)성 및 호모토피 이론과의 연결 가능성을 제시한다. 마지막으로 그래프 기반 바 건설이 실제 네트워크(시스템 공학, 신경과학 등)에서 피드백 루프를 모델링하는 데 활용될 수 있음을 제안한다.