데이터 결합과 유한 환공간 및 스키마

논문은 ‘데이터 결합’이라는 전통적인 개념을 현대 대수기하학과 이산기하학 사이의 연결 고리로 재해석한다. 서론에서는 최근 머신러닝, 특히 그래프 신경망(GNN)과 셀룰러 셰이브(셀룰러 sheaf) 이론이 데이터에 기하학적·위상학적 구조를 부여하는 사례들을 소개하고, 이러한 이산적 구조와 연속적 기하학(미분다양체, 스키마) 사이의 격차를 메우는 필요성을 강조한다. 기존 연구들—Salas의 유한 환공간, cellular sheaf theory, 그리고 고차원 simplicial descent—이 각각 부분순서집합(poset) 혹은 고차원 simplicial 객체에 초점을 맞추었지만, 실제 적용에서는 복잡도가 높고 직관적이지 않다는 한계를 지적한다. 본 논문의 핵심 아이디어는 2차원 반단순 복합체(semisimplicial set)를 ‘gluing datum’의 모델링 도구로 삼는 것이다. 스키마 X와 그 열린 아핀 커버 {U_i}를 고려하면, 정점은 U_i, 변은 U_i∩U_j, 2‑단순체는 U_i∩U_j∩U_k 로 대응한다. 이때 각 단순체에 환 전단사(pre)sheaf를 부여하면, 전통적인 Cech nerve의 2‑차 truncation과 동등한 정보를 담은 구조가 된다. 저자들은 이러한 구조를 (S, 𝒪) 형태의 객체로 정의하고, 이를 ‘C₂Sch’ 범주의 원소로 삼는다. 다음으로, C₂Sch 안에서 ‘약한 동등성’ W를 정의한다. W는 두 객체 사이에 존재하는 ‘gluing equivalence’를 포착하는 사상들의 클래스이며, 일반적인 오른쪽 곱셈계가 아니므로 새로운 ‘schematic right multiplicative system’ 개념을 도입한다. 이 시스템을 이용해 W에 대한 국소화 C₂Sch