[论文解读] The genuine operadic nerve

Peter Bonventre|arXiv (Cornell University)|Apr 2, 2019

Homotopy and Cohomology in Algebraic Topology参考文献 25被引用 4

一句话总结

本文引入了真正的范畴化神经网络（genuine operadic nerve），这是一个函子，用于在真正的等变单纯范畴化运算与 $G$-对称张量 $Ω$-范畴之间进行转换，将 Lurie 的范畴化神经网络推广至等变设定。它证明了在真正等变框架下的纤维化范畴恰好对应于 $G$-对称张量 $Ω$-范畴，并在两种语境下构造了范畴代数之间的比较函子，保持同伦结构。

ABSTRACT

We construct a generalization of the operadic nerve, providing a translation between the equivariant simplicially enriched operadic world to the parametrized $\infty$-categorical perspective. This naturally factors through genuine equivariant operads, a model for "equivariant operads with norms up to homotopy". We introduce the notion of an op-fibration of genuine equivariant operads, extending Grothendieck op-fibrations, and characterize fibrant operads as the image of genuine equivariant symmetric monoidal categories. Moreover, we show that under the operadic nerve, this image is sent to $G$-symmetric monoidal $G$-$\infty$-categories. Finally, we produce a functor comparing the notion of algebra over an operad in each of these two contexts.

研究动机与目标

• 将经典范畴化神经网络推广至等变设定，纳入群作用与范数映射。
• 定义并表征真正的范畴化余纤维化，将经典 Grothendieck 余纤维化推广至等变语境。
• 证明真正的范畴化神经网络将纤维化的真正等变范畴化运算映射为 $G$-对称张量 $Ω$-范畴。
• 在单纯与 $Ω$-范畴框架下，构造范畴代数之间的比较函子。
• 在真正的等变单纯范畴化运算与 $G$-对称张量 $Ω$-范畴之间建立同伦理论等价。

提出的方法

• 将真正的范畴化神经网络构造为 Lurie 的范畴化神经网络的推广，使用真正等变范畴化运算的运算子范畴。
• 在真正等变范畴化运算的语境下引入余纤维化的概念，扩展经典 Grothendieck 余纤维化。
• 利用真正等变范畴化运算的运算子范畴，在有限带基点的 $G$-集合范畴上定义一个单纯范畴。
• 对运算子范畴应用同伦一致神经网络，生成一个 $Ω$-范畴化运算，证明其为 $G$-对称张量 $Ω$-范畴。
• 在真正等变单纯范畴化运算的代数与该运算在真正范畴化神经网络下的像的代数之间建立比较映射。
• 利用同伦一致神经网络与其左伴随之间的伴随关系，构造 $Ω$-范畴代数之间的函子。

实验结果

研究问题

• RQ1 如何将经典范畴化神经网络推广，以纳入等变结构与范数映射？
• RQ2 在真正等变范畴化运算的语境下，正确的纤维化概念是什么？它与 $G$-对称张量 $Ω$-范畴有何关系？
• RQ3 真正等变单纯范畴化运算的代数与它们在真正范畴化神经网络下的像的代数之间有何关系？
• RQ4 运算子范畴在等变设定中的作用是什么？它如何支持真正范畴化神经网络的构造？
• RQ5 是否可以在等变同伦理论的单纯模型与 $Ω$-范畴模型之间构造一个代数 $Ω$-范畴之间的比较函子？

主要发现

• 真正的范畴化神经网络将纤维化的真正等变范畴化运算映射为 $G$-对称张量 $Ω$-范畴，建立了两个同伦框架之间的桥梁。
• 真正等变对称张量范畴在真正范畴化神经网络下的像是一个精确的 $G$-对称张量 $Ω$-范畴。
• 在真正等变单纯范畴化运算的代数与该运算在真正范畴化神经网络下的像的代数之间，存在一个自然的比较函子。
• 该构造保持了代数的同伦结构，比较映射由同伦一致神经网络与其左伴随之间的伴随关系诱导。
• 真正的范畴化神经网络与非等变情形下的范畴化神经网络兼容，当 $G$ 为平凡群时，可恢复 Lurie 的构造。
• 该方法在真正等变单纯范畴化运算与 $G$-对称张量 $Ω$-范畴的模型范畴之间建立了 Quillen 等价性（同伦意义下）。