[论文解读] About the globular homology of higher dimensional automata

Philippe Gaucher|ArXiv.org|Feb 25, 2000

Geometric and Algebraic Topology参考文献 17被引用 20

一句话总结

本文提出了一种高维自动机（HDA）的新单纯形神经网络构造，解决了早期球状同调理论在关键方面的局限性。通过在角落神经网络上定义一种改进的球状截断与单纯形结构，确保了在合理形变（如细分和压缩高维面）下的不变性，同时恢复了分支与合并同调的几何解释，将其重新诠释为单纯形态射。

ABSTRACT

We introduce a new simplicial nerve of higher dimensional automata whose homology groups yield a new definition of the globular homology. With this new definition, the drawbacks noticed with the construction of math.CT/9902151 disappear. Moreover the important morphisms which associate to every globe its corresponding branching area and merging area of execution paths become morphisms of simplicial sets.

研究动机与目标

• 解决早期球状同调理论在HDA的合理形变（如细分或高维面坍缩）下不具备不变性的问题。
• 通过一种新的单纯形神经网络构造重新定义球状同调，以恢复分支与合并过程作为单纯形态射的几何解释。
• 消除立方体 $I^n$ 在正维数上同调非零的问题，该现象与形变不变性预期相悖。
• 证明映射 $h^{-}$ 和 $h^{+}$（将球体映射到其分支与合并角落）在新构造中自然地成为单纯形态射，从而增强其在并发理论中的适用性。

提出的方法

• 引入一种新的单纯形神经网络——'球状截断'，源自HDA的分支与合并神经网络，对角落集合上的单纯形结构进行精细化处理。
• 构建一个阿贝尔群的图，使得球状同调 $H^{gl}$ 自然地嵌入其中，且 $h^{-}$ 与 $h^{+}$ 作为将球体映射到其角落区域的单纯形态射。
• 通过在 $ω$-函子上使用运算 $S$、$T$ 和 $*$，定义一个新的单纯形对象 $\underline{\mathcal{N}^{gl}_{*}}$，在 $n$-态射上形成一个小范畴结构。
• 对该单纯形范畴应用分类空间函子，生成一个双单纯形集，确保与细分和形变不变性兼容。
• 在链复形中施加关系如 $A*_{1}B = A + B$，以消除虚假循环，特别是在 $I^3$ 和 $I^n$ 中，确保立方体在正维数上同调为零。
• 证明所得同调在 S- 和 T-形变下保持不变，符合 $I^n$ 与定向直线同伦等价的预期。

实验结果

研究问题

• RQ1 能否构造一种新的球状同调定义，使其在HDA的合理形变（如细分或面坍缩）下保持不变？
• RQ2 为何原始球状同调在 $n \geq 3$ 时对 $I^n$ 不为零，以及如何修正这一问题？
• RQ3 映射 $h^{-}$ 和 $h^{+}$（将球体映射到其分支与合并角落）在新构造中是否自然地成为单纯形态射？
• RQ4 新的单纯形神经网络结构是否确保 $I^n$ 的总同调与定向直线一致，正如形变理论所预期的那样？
• RQ5 角落神经网络能否被组织为一个尊重面与退化映射的单纯形对象，从而支持良好定义的分类空间构造？

主要发现

• 通过在链复形中施加如 $A*_{1}B = A + B$ 的关系，新构造的球状同调消除了 $I^n$（包括 $I^3$）在正维数上的非零同调。
• 映射 $h^{-}$ 与 $h^{+}$ 现在自然地成为单纯形态射，即它们保持面与退化映射，从而增强了其几何与范畴论解释的合理性。
• $n$-维立方体 $I^n$ 与定向直线的总同调在度数 0 上同构于 $\mathbb{Z}$，证实了在 S- 与 T-形变下的形变不变性。
• 该构造产生了一个在小范畴范畴中定义良好的增强单纯形对象 $\underline{\mathcal{N}^{gl}_{*}}$，其面与退化映射相容。
• 该单纯形范畴的分类空间生成一个双单纯形集，其在细分下行为良好，支持同调在时间细分下的不变性。
• 当 $p$-态射（$p \geq 2$）在 $*_{i}$（$i \geq 1$）下可逆时，球状神经网络满足 Kan 条件，但当关键态射如 $R(0+0)$ 被移除时，角落神经网络的 Kan 条件会失效。