メインコンテンツへスキップ
見出し画像

【主観と客観の起源】圏論におけるN進数概念の位置付けについて。

    出発点は以下の投稿。

    「圏論的発想を自分の中に取り込む」とは、すなわちこれまで考えてきた様な事を全て「圏論的状況」に移し替えていく作業に他なりません。

    「無限で割ると0になる様な1、無限を掛けると1になる様な0」からの出発。

    私自身は0や1について統計学や確率論の世界で用いられている以下の基準を「方便として」採用しています。

    1∞=0,0×∞=1\frac{1}{∞}=0,0×∞=1

    画像

    確率論的座標系を成立させるには「認識下にある全区間塊の合計が1」すなわち「閉世界仮説(CWA:Closed World Assumption)仮説が成立している=最外縁補集合が空集合[]である」と考えざるを得ませんが、その一方でこの確率論的座標系は以下の様なベイズ更新も想定しないといけません。

    • 童話「シンデレラ」では「舞踏会へのガラスの靴の美女の登場」が、(それまであったと推察されている)王子の政略結婚を巡る謀議の全てを台無しにした。その一方で「ガラスの靴の美女の正体」をめぐってシンデレラ一味と継母一味の暗闘が始まった。

    画像
    画像
    • iPhoneの登場によって、それまで携帯電話市場を被覆していた有象無象のガラケーは全て「歴史の掃き溜め」送りに。しかしながらiPhoneは、Anderoidという強力なライバルが現れたせいで市場の独占に失敗する。

    そもそも「ガラスの靴の美女」や「iPhone」は、かかる確率論的座標系の何処から現れたのでしょうか? ルベーグ速度論はルベーグ可測である条件を「任意の全体集合が有限の区間塊によって被覆され尽くしている事」と定める一方で「あらゆる区間塊の挟間にはルベーグ測度0の潜在可能性がギッシリ詰まっている(離散的に分布してるのでただ計測しただけでは寄せ集めてもルベーグ測度0のまま)」と想定。で、その様な0はただの0ではなく「1∞=0,0×∞=1\frac{1}{∞}=0,0×∞=1」となる様な0であると考える事にした訳です。その様な無限を人間がイメージするには古代バビロニア文明にまで遡る伝統的計数法たる60進数を用いるのがよさそうです。

    • 1時間は60分と規約されるが、実際には時々59分や61分であってもも人間はそれを気に留める事が出来ない。

    • その1分は60秒と規約されるが、実際には時々59秒でも61秒であってもそれを気に留める事が出来ない。

    • 人間の認識上の精度の限界がこのくらいから訪れるのは「大体60角形くらいから円に見え始める」点からも明らかである。

    圏論概念で照応する「2匹の猫+1」

    圏論の世界において上掲の「色即是空空即是色」モデルに照応しそうなのは「Cat」と「CAT」なる概念。

    画像

    Cat は「小さな圏を集めた1階の圏」。ここでいう小さな圏(small category)とは、対象と射の集まりが「集合(set)」として扱える圏。
    例:集合の圏 Set は 小さくない(対象が「集合の集合」だから)。

    CAT は「すべての圏(大きいものも)を含むメタレベルの圏」。ここでいう大きな圏(large category)とは、対象や射の集まりが集合ではなく「類(class)」になる圏。
    例:Set, Grp, Top などは大きな圏。

    つまり、Cat は CAT の部分圏です。
    Cat ⊂ CAT
    実際、Cat は「大きな圏 CAT の中で、小さな圏だけを集めた部分圏」と考えられます。

    ChatGPTに質問「圏論におけるCatとCATの概念について簡潔に説明してください。」

    何が何だかさっぱりですが、そのまま放置して先に進む訳にもいかないので、とりあえず分かりやすい全体集合[0,1]の場合についてこう考える事から出発したいと思います。

    画像

    区間塊[0,1)と区間塊[0,1)で全体集合[1,0]を被覆してますから、一応ルベーグ可測条件は成立。しかし実はこの時点で既に閉世界仮説成立の為に切り捨てられている出現確率が…

    画像

    なおCat(白い小猫)とCAT(黒い大猫)の出現確率が同じだと両者の区別がつかなくなるので、新たにCAt(灰色の中猫)の概念を導入しましょう。こちらはその等距離性ゆえにυδ論法の内側にしか存在し得ず「∞と掛け合わせると∞に、∞で割るとそのまま1∞\frac{1}{∞}になる様な1」と規約されます。

    CAt×∞=∞×CAt=∞,CAt∞=1∞\verb|CAt|×∞=∞×\verb|CAt|=∞,\frac{\verb|CAt|}{∞}=\frac{1}{∞}

    画像
    • CAtは確率の古典的定義とも密接な関わり合いを持ってるっぽい?

    画像

    N進数全体について考えるとCat(白い小猫)、CAT(黒い大猫)、CAt(灰色の中猫)はそれぞれ以下の様な認識のされ方をする展開を迎えます。

    画像
    • 0進数について考える際にはCat(白い小猫)とCAT(黒い大猫)の2つの区間塊だけが認識対象となる。この特殊な状態をとりあえず「二項単位(Binaly Unit)[0,1]」と呼ぶ事にする。

    • 1進数が体現する自然数(N\mathbb{N})や整数(Z\mathbb{Z})の世界においては1n=11^n=1なので桁上りも桁下がりも起こらず、ただ各桁の二項単位において[1]が成立した数を数えるのみ。この時、Cat(白い小猫)が単純化された区間塊[0](ルベーグ測度1)として中央に留まり続ける一方、CAT(黒い大猫)はυδ論法導入とともに半開集合[-∞,Min)や(Max,+∞]の様な極限以上の区間塊(ルベーグ測度0)としてMax桁やMin桁の外側に追いやられてしまう。

    • 2進数以上が体現する有理数(Q\mathbb{Q})の世界においては、さらにCat(白い小猫)も半開区間塊[0,NMin)(Min<0)[0,N^{Min})(Min<0)としてMax桁やMin桁の外側に追いやられてしまう。

    • 圏論でいうCATは、ここでいうCAtも含む概念と考えると多少は見通しが良くなる?

    ところで群論は群を「演算そのものと定理そのものは扱わない(すなわちオブジェクト指向プログラミングにおける各クラスのメンバー変数についてだけ見る数学)」と断言しており、圏論も原則としてN進数については(家系図から平行性のある「親子関係」のみを抽出する様に)全体を「集合の圏」と見做して「桁上りの関手」「桁下がりの関手」を抽出し、その自然変換の具合を調べるアプローチが一般的である模様。とはいえ圏論は「何でも対象に選べる」のが強みなので、そこに含まれる演算も圏化して合成する事が可能そうに見えます。

    • N進数の代表例(10進数)

    765.432=7×102+6×101+5×100+4×10−1+3×10−2+2×10−3765.432=7×10^2+6×10^1+5×10^0+4×10^{-1}+3×10^{-2}+2×10^{-3}

    • 抽象化

    ∑i=MinMaxXi×Ni(Xi∈[0,1,…,N−1])\sum_{i=\verb|Min|}^{\verb|Max|}X_i×N^i(X_i \in [0,1,…,N-1])

    N進数は、通常桁集合D={0,1,…,N−1}と位置ごとの重みN^kによって表されます。形式的には無限列(𝑎0,𝑎1,𝑎2,…),𝑎𝑖∈𝐷で表し、有限または無限列として扱うことが多いです。

    ここで桁集合D を有限集合として取り、関手𝑇𝑁:𝑆𝑒𝑡→𝑆𝑒𝑡,𝑇𝑁(𝑋)=𝐷×を考えます。この関手は「桁と次の桁への接続」を表し、N進展開の構文構造(桁列)を生成する基本的な関手になります。

    (中略)

    要するにN進数とは集合の圏における関手𝑇𝑁(𝑋)=𝐷×𝑋の終コアルジブラ(𝜈𝑇𝑁,𝛾∞)によって定義される対象となります。

    ChatGPTに質問「N進数を圏論の概念で定義してください」
    • まだ勉強が及んでない範囲なので何を言ってるかさっぱりだが、以下の様なな愛用について触れてるっぽい。

    どうしてこの様な考え方が必要となるかというと、ここまで見てきた「N進数」概念は全体として自明の場合として「信頼のおける二項単位(Binaly Unit)[0,1]演算」が先験的に実存する事を前提としているからです。「N進数の圏」を完備するには、その合成も不可欠と考える訳ですね。

    「信頼のおける二項単位(Binaly Unit)[0,1]演算」について。

    上掲の0進数のアイディアの大元は単位行列の対角成分や内積や直交条件などの表現に使われる「クロネッカーのデルタ」だったりします。例えば以下は辺集合XiXiの分散が0の場合だけ00=10^0=1が成立し全辺集合の平方/立方/超立方対角線である事が示されるケース(残りは全て0)。

    δσ2=0σ2,σ2=1N∑i=1N(Xi−Xˉ)2δ^{σ^2}=0^{σ^2},σ^2=\frac{1}{N}\sum_{i=1}^{N}(Xi-\bar{X})^2

    (行列Xi∈[x1,x2,…,xi]についてXˉ=1N∑i=1NXi)(行列X_i \in [x_1,x_2,…,x_i]について\bar{X}=\frac{1}{N}\sum_{i=1}^{N}X_i)

    対角化(連続一次方程式として解く)も同様の手順。

    画像

    ミクロ経済学における「(ラグランジュのラグランジュの未定乗数法を用いて)二財の最大効用を求める計算」も、その結果得られる固有値と固有ベクトルを用いての対角化の準備と言えなくもありません。

    画像
    画像

    実は「ミクロ経済学における最大効用」の正体が「変分原理に基づく光の進路決定」であった様に物理学との関連が深い領域。例えば義務教育の物理学で習う「(時間微分/積分演算で結ばれる)距離と速度と加速度の関係」も、「(重量1,重力加速度1に単純化した)自由落下運動」などを「桁上り(Carry)演算」として採用可能だったりして。

    画像

    そして、こんな風に綺麗に解けないケースを暴く為に発展してきたのが人工知能アルゴリズムにおける活性化関数(Activation Function)…

    画像

    こうやって、何とか目鼻がつき始めた辺りで以下続報…

     
     
    名乗るほどでもないインターネットと路上の観察者。

    あなたへのおすすめ