STRUCTURE AND BIFURCATION OF PULLBACK ATTRACTORS IN A NON-AUTONOMOUS CHAFEE-INFANTE EQUATION

The Chafee-Infante equation is one of the canonical infinite-dimensional dynamical systems for which a complete description of the global attractor is available. In this paper we study the structure of the pullback attractor for a non-autonomous version of this equation, u(t) = u(xx) + lambda(xx) - lambda u beta(t)u(3), and investigate the bifurcations that this attractor undergoes as A is varied. We are able to describe these in some detail, despite the fact that our model is truly non-autonomous; i.e., we do not restrict to 'small perturbations' of the autonomous case.

On some Banach space constants arising in nonlinear fixed point and eigenvalue theory

[EN] As is well known, in any infinite-dimensional Banach space one may find fixed point free self-maps of the unit ball, retractions of the unit ball onto its boundary, contractions of the unit sphere, and nonzero maps without positive eigenvalues and normalized eigenvectors. In this paper, we give upper and lower estimates, or even explicit formulas, for the minimal Lipschitz constant and measure of noncompactness of such maps.

Reinforcement Lernen mit Regularisierungsnetzwerken

Die Arbeit behandelt das Problem der Skalierbarkeit von Reinforcement Lernen auf hochdimensionale und komplexe Aufgabenstellungen. Unter Reinforcement Lernen versteht man dabei eine auf approximativem Dynamischen Programmieren basierende Klasse von Lernverfahren, die speziell Anwendung in der Künstlichen Intelligenz findet und zur autonomen Steuerung simulierter Agenten oder realer Hardwareroboter in dynamischen und unwägbaren Umwelten genutzt werden kann. Dazu wird mittels Regression aus Stichproben eine Funktion bestimmt, die die Lösung einer "Optimalitätsgleichung" (Bellman) ist und aus der sich näherungsweise optimale Entscheidungen ableiten lassen. Eine große Hürde stellt dabei die Dimensionalität des Zustandsraums dar, die häufig hoch und daher traditionellen gitterbasierten Approximationsverfahren wenig zugänglich ist. Das Ziel dieser Arbeit ist es, Reinforcement Lernen durch nichtparametrisierte Funktionsapproximation (genauer, Regularisierungsnetze) auf -- im Prinzip beliebig -- hochdimensionale Probleme anwendbar zu machen. Regularisierungsnetze sind eine Verallgemeinerung von gewöhnlichen Basisfunktionsnetzen, die die gesuchte Lösung durch die Daten parametrisieren, wodurch die explizite Wahl von Knoten/Basisfunktionen entfällt und so bei hochdimensionalen Eingaben der "Fluch der Dimension" umgangen werden kann. Gleichzeitig sind Regularisierungsnetze aber auch lineare Approximatoren, die technisch einfach handhabbar sind und für die die bestehenden Konvergenzaussagen von Reinforcement Lernen Gültigkeit behalten (anders als etwa bei Feed-Forward Neuronalen Netzen). Allen diesen theoretischen Vorteilen gegenüber steht allerdings ein sehr praktisches Problem: der Rechenaufwand bei der Verwendung von Regularisierungsnetzen skaliert von Natur aus wie O(n**3), wobei n die Anzahl der Daten ist. Das ist besonders deswegen problematisch, weil bei Reinforcement Lernen der Lernprozeß online erfolgt -- die Stichproben werden von einem Agenten/Roboter erzeugt, während er mit der Umwelt interagiert. Anpassungen an der Lösung müssen daher sofort und mit wenig Rechenaufwand vorgenommen werden. Der Beitrag dieser Arbeit gliedert sich daher in zwei Teile: Im ersten Teil der Arbeit formulieren wir für Regularisierungsnetze einen effizienten Lernalgorithmus zum Lösen allgemeiner Regressionsaufgaben, der speziell auf die Anforderungen von Online-Lernen zugeschnitten ist. Unser Ansatz basiert auf der Vorgehensweise von Recursive Least-Squares, kann aber mit konstantem Zeitaufwand nicht nur neue Daten sondern auch neue Basisfunktionen in das bestehende Modell einfügen. Ermöglicht wird das durch die "Subset of Regressors" Approximation, wodurch der Kern durch eine stark reduzierte Auswahl von Trainingsdaten approximiert wird, und einer gierigen Auswahlwahlprozedur, die diese Basiselemente direkt aus dem Datenstrom zur Laufzeit selektiert. Im zweiten Teil übertragen wir diesen Algorithmus auf approximative Politik-Evaluation mittels Least-Squares basiertem Temporal-Difference Lernen, und integrieren diesen Baustein in ein Gesamtsystem zum autonomen Lernen von optimalem Verhalten. Insgesamt entwickeln wir ein in hohem Maße dateneffizientes Verfahren, das insbesondere für Lernprobleme aus der Robotik mit kontinuierlichen und hochdimensionalen Zustandsräumen sowie stochastischen Zustandsübergängen geeignet ist. Dabei sind wir nicht auf ein Modell der Umwelt angewiesen, arbeiten weitestgehend unabhängig von der Dimension des Zustandsraums, erzielen Konvergenz bereits mit relativ wenigen Agent-Umwelt Interaktionen, und können dank des effizienten Online-Algorithmus auch im Kontext zeitkritischer Echtzeitanwendungen operieren. Wir demonstrieren die Leistungsfähigkeit unseres Ansatzes anhand von zwei realistischen und komplexen Anwendungsbeispielen: dem Problem RoboCup-Keepaway, sowie der Steuerung eines (simulierten) Oktopus-Tentakels.

Der Renormierungsgruppen-Fluß der konform-reduzierten Quantengravitation

Wir analysieren die Rolle von "Hintergrundunabhängigkeit" im Zugang der effektiven Mittelwertwirkung zur Quantengravitation. Wenn der nicht-störungstheoretische Renormierungsgruppen-(RG)-Fluß "hintergrundunabhängig" ist, muß die Vergröberung durch eine nicht spezifizierte, variable Metrik definiert werden. Die Forderung nach "Hintergrundunabhängigkeit" in der Quantengravitation führt dazu, daß die funktionale RG-Gleichung von zusätzlichen Feldern abhängt; dadurch unterscheidet sich der RG-Fluß in der Quantengravitation deutlich von dem RG-Fluß einer gewöhnlichen Quantentheorie, deren Moden-Cutoff von einer starren Metrik abhängt. Beispielsweise kann in der "hintergrundunabhängigen" Theorie ein Nicht-Gauß'scher Fixpunkt existieren, obwohl die entsprechende gewöhnliche Quantentheorie keinen solchen entwickelt. Wir untersuchen die Bedeutung dieses universellen, rein kinematischen Effektes, indem wir den RG-Fluß der Quanten-Einstein-Gravitation (QEG) in einem "konform-reduzierten" Zusammenhang untersuchen, in dem wir nur den konformen Faktor der Metrik quantisieren. Alle anderen Freiheitsgrade der Metrik werden vernachlässigt. Die konforme Reduktion der Einstein-Hilbert-Trunkierung zeigt exakt dieselben qualitativen Eigenschaften wie in der vollen Einstein-Hilbert-Trunkierung. Insbesondere besitzt sie einen Nicht-Gauß'schen Fixpunkt, der notwendig ist, damit die Gravitation asymptotisch sicher ist. Ohne diese zusätzlichen Feldabhängigkeiten ist der RG-Fluß dieser Trunkierung der einer gewöhnlichen $phi^4$-Theorie. Die lokale Potentialnäherung für den konformen Faktor verallgemeinert den RG-Fluß in der Quantengravitation auf einen unendlich-dimensionalen Theorienraum. Auch hier finden wir sowohl einen Gauß'schen als auch einen Nicht-Gauß'schen Fixpunkt, was weitere Hinweise dafür liefert, daß die Quantengravitation asymptotisch sicher ist. Das Analogon der Metrik-Invarianten, die proportional zur dritten Potenz der Krümmung ist und die die störungstheoretische Renormierbarkeit zerstört, ist unproblematisch für die asymptotische Sicherheit der konform-reduzierten Theorie. Wir berechnen die Skalenfelder und -imensionen der beiden Fixpunkte explizit und diskutieren mögliche Einflüsse auf die Vorhersagekraft der Theorie. Da der RG-Fluß von der Topologie der zugrundeliegenden Raumzeit abhängt, diskutieren wir sowohl den flachen Raum als auch die Sphäre. Wir lösen die Flußgleichung für das Potential numerisch und erhalten Beispiele für RG-Trajektorien, die innerhalb der Ultraviolett-kritischen Mannigfaltigkeit des Nicht-Gauß'schen Fixpunktes liegen. Die Quantentheorien, die durch einige solcher Trajektorien definiert sind, zeigen einen Phasenübergang von der bekannten (Niederenergie-) Phase der Gravitation mit spontan gebrochener Diffeomorphismus-Invarianz zu einer neuen Phase von ungebrochener Diffeomorphismus-Invarianz. Diese Hochenergie-Phase ist durch einen verschwindenden Metrik-Erwartungswert charakterisiert.

Semiparametric Normal Transformation Models for Spatially Correlated Survival Data

There is an emerging interest in modeling spatially correlated survival data in biomedical and epidemiological studies. In this paper, we propose a new class of semiparametric normal transformation models for right censored spatially correlated survival data. This class of models assumes that survival outcomes marginally follow a Cox proportional hazard model with unspecified baseline hazard, and their joint distribution is obtained by transforming survival outcomes to normal random variables, whose joint distribution is assumed to be multivariate normal with a spatial correlation structure. A key feature of the class of semiparametric normal transformation models is that it provides a rich class of spatial survival models where regression coefficients have population average interpretation and the spatial dependence of survival times is conveniently modeled using the transformed variables by flexible normal random fields. We study the relationship of the spatial correlation structure of the transformed normal variables and the dependence measures of the original survival times. Direct nonparametric maximum likelihood estimation in such models is practically prohibited due to the high dimensional intractable integration of the likelihood function and the infinite dimensional nuisance baseline hazard parameter. We hence develop a class of spatial semiparametric estimating equations, which conveniently estimate the population-level regression coefficients and the dependence parameters simultaneously. We study the asymptotic properties of the proposed estimators, and show that they are consistent and asymptotically normal. The proposed method is illustrated with an analysis of data from the East Boston Ashma Study and its performance is evaluated using simulations.

Numerical solutions of elliptic inverse problems via the equation error method

To estimate a parameter in an elliptic boundary value problem, the method of equation error chooses the value that minimizes the error in the PDE and boundary condition (the solution of the BVP having been replaced by a measurement). The estimated parameter converges to the exact value as the measured data converge to the exact value, provided Tikhonov regularization is used to control the instability inherent in the problem. The error in the estimated solution can be bounded in an appropriate quotient norm; estimates can be derived for both the underlying (infinite-dimensional) problem and a finite-element discretization that can be implemented in a practical algorithm. Numerical experiments demonstrate the efficacy and limitations of the method.

Problems in the classical calculus of variations

This dissertation concerns convergence analysis for nonparametric problems in the calculus of variations and sufficient conditions for weak local minimizer of a functional for both nonparametric and parametric problems. Newton's method in infinite-dimensional space is proved to be well-defined and converges quadratically to a weak local minimizer of a functional subject to certain boundary conditions. Sufficient conditions for global converges are proposed and a well-defined algorithm based on those conditions is presented and proved to converge. Finite element discretization is employed to achieve an implementable line-search-based quasi-Newton algorithm and a proof of convergence of the discretization of the algorithm is included. This work also proposes sufficient conditions for weak local minimizer without using the language of conjugate points. The form of new conditions is consistent with the ones in finite-dimensional case. It is believed that the new form of sufficient conditions will lead to simpler approaches to verify an extremal as local minimizer for well-known problems in calculus of variations.

Simbrain: A visual framework for neural network analysis and education

Simbrain is a visually-oriented framework for building and analyzing neural networks. It emphasizes the analysis of networks which control agents embedded in virtual environments, and visualization of the structures which occur in the high dimensional state spaces of these networks. The program was originally intended to facilitate analysis of representational processes in embodied agents, however it is also well suited to teaching neural networks concepts to a broader audience than is traditional for neural networks courses. Simbrain was used to teach a course at a new university, UC Merced, in its inaugural year. Experiences from the course and sample lessons are provided.

Flexibility Properties in Complex Analysis and Affine Algebraic Geometry

In the last decades affine algebraic varieties and Stein manifolds with big (infinite-dimensional) automorphism groups have been intensively studied. Several notions expressing that the automorphisms group is big have been proposed. All of them imply that the manifold in question is an Oka–Forstnerič manifold. This important notion has also recently merged from the intensive studies around the homotopy principle in Complex Analysis. This homotopy principle, which goes back to the 1930s, has had an enormous impact on the development of the area of Several Complex Variables and the number of its applications is constantly growing. In this overview chapter we present three classes of properties: (1) density property, (2) flexibility, and (3) Oka–Forstnerič. For each class we give the relevant definitions, its most significant features and explain the known implications between all these properties. Many difficult mathematical problems could be solved by applying the developed theory, we indicate some of the most spectacular ones.

Horizon shells and BMS-like soldering transformations

We revisit the theory of null shells in general relativity, with a particular emphasis on null shells placed at horizons of black holes. We study in detail the considerable freedom that is available in the case that one solders two metrics together across null hypersurfaces (such as Killing horizons) for which the induced metric is invariant under translations along the null generators. In this case the group of soldering transformations turns out to be infinite dimensional, and these solderings create non-trivial horizon shells containing both massless matter and impulsive gravitational wave components. We also rephrase this result in the language of Carrollian symmetry groups. To illustrate this phenomenon we discuss in detail the example of shells on the horizon of the Schwarzschild black hole (with equal interior and exterior mass), uncovering a rich classical structure at the horizon and deriving an explicit expression for the general horizon shell energy-momentum tensor. In the special case of BMS-like soldering supertranslations we find a conserved shell-energy that is strikingly similar to the standard expression for asymptotic BMS supertranslation charges, suggesting a direct relation between the physical properties of these horizon shells and the recently proposed BMS supertranslation hair of a black hole.

Optimal Test for Parameter Instability When the Unstable Process and the Error Distribution are Unknown

This paper proposes asymptotically optimal tests for unstable parameter process under the feasible circumstance that the researcher has little information about the unstable parameter process and the error distribution, and suggests conditions under which the knowledge of those processes does not provide asymptotic power gains. I first derive a test under known error distribution, which is asymptotically equivalent to LR tests for correctly identified unstable parameter processes under suitable conditions. The conditions are weak enough to cover a wide range of unstable processes such as various types of structural breaks and time varying parameter processes. The test is then extended to semiparametric models in which the underlying distribution in unknown but treated as unknown infinite dimensional nuisance parameter. The semiparametric test is adaptive in the sense that its asymptotic power function is equivalent to the power envelope under known error distribution.

On the Closure of the Tame Automorphism Group of Affine Three-Space

We provide explicit families of tame automorphisms of the complex affine three-space which degenerate to wild automorphisms. This shows that the tame subgroup of the group of polynomial automorphisms of C3 is not closed, when the latter is seen as an infinite-dimensional algebraic group.

On real analytic functions of unbounded type

In this paper we prove several results on the existence of analytic functions on an infinite dimensional real Banach space which are bounded on some given collection of open sets and unbounded on others. In addition, we also obtain results on the density of some subsets of the space of all analytic functions for natural locally convex topologies on this space. RESUMEN. Los autores demuestran varios resultados de existencia de funciones analíticas en espacios de Banach reales de dimensión infinita que están acotadas en un colección de subconjuntos abiertos y no acotadas en los conjuntos de otra colección. Además, se demuestra la densidad de ciertos subconjuntos de funciones analíticas para varias topologías localmente convexas.

A characterization of conserved quantities in non-equilibrium thermodynamics

The well-known Noether theorem in Lagrangian and Hamiltonian mechanics associates symmetries in the evolution equations of a mechanical system with conserved quantities. In this work, we extend this classical idea to problems of non-equilibrium thermodynamics formulated within the GENERIC (General Equations for Non-Equilibrium Reversible-Irreversible Coupling) framework. The geometric meaning of symmetry is reviewed in this formal setting and then utilized to identify possible conserved quantities and the conditions that guarantee their strict conservation. Examples are provided that demonstrate the validity of the proposed definition in the context of finite and infinite dimensional thermoelastic problems.

Energy-entropy-momentum time integration methods for coupled smooth dissipative problems

Esta tesis aborda la formulación, análisis e implementación de métodos numéricos de integración temporal para la solución de sistemas disipativos suaves de dimensión finita o infinita de manera que su estructura continua sea conservada. Se entiende por dichos sistemas aquellos que involucran acoplamiento termo-mecánico y/o efectos disipativos internos modelados por variables internas que siguen leyes continuas, de modo que su evolución es considerada suave. La dinámica de estos sistemas está gobernada por las leyes de la termodinámica y simetrías, las cuales constituyen la estructura que se pretende conservar de forma discreta. Para ello, los sistemas disipativos se describen geométricamente mediante estructuras metriplécticas que identifican claramente las partes reversible e irreversible de la evolución del sistema. Así, usando una de estas estructuras conocida por las siglas (en inglés) de GENERIC, la estructura disipativa de los sistemas es identificada del mismo modo que lo es la Hamiltoniana para sistemas conservativos. Con esto, métodos (EEM) con precisión de segundo orden que conservan la energía, producen entropía y conservan los impulsos lineal y angular son formulados mediante el uso del operador derivada discreta introducido para asegurar la conservación de la Hamiltoniana y las simetrías de sistemas conservativos. Siguiendo estas directrices, se formulan dos tipos de métodos EEM basados en el uso de la temperatura o de la entropía como variable de estado termodinámica, lo que presenta importantes implicaciones que se discuten a lo largo de esta tesis. Entre las cuales cabe destacar que las condiciones de contorno de Dirichlet son naturalmente impuestas con la formulación basada en la temperatura. Por último, se validan dichos métodos y se comprueban sus mejores prestaciones en términos de la estabilidad y robustez en comparación con métodos estándar. This dissertation is concerned with the formulation, analysis and implementation of structure-preserving time integration methods for the solution of the initial(-boundary) value problems describing the dynamics of smooth dissipative systems, either finite- or infinite-dimensional ones. Such systems are understood as those involving thermo-mechanical coupling and/or internal dissipative effects modeled by internal state variables considered to be smooth in the sense that their evolutions follow continuos laws. The dynamics of such systems are ruled by the laws of thermodynamics and symmetries which constitutes the structure meant to be preserved in the numerical setting. For that, dissipative systems are geometrically described by metriplectic structures which clearly identify the reversible and irreversible parts of their dynamical evolution. In particular, the framework known by the acronym GENERIC is used to reveal the systems' dissipative structure in the same way as the Hamiltonian is for conserving systems. Given that, energy-preserving, entropy-producing and momentum-preserving (EEM) second-order accurate methods are formulated using the discrete derivative operator that enabled the formulation of Energy-Momentum methods ensuring the preservation of the Hamiltonian and symmetries for conservative systems. Following these guidelines, two kind of EEM methods are formulated in terms of entropy and temperature as a thermodynamical state variable, involving important implications discussed throughout the dissertation. Remarkably, the formulation in temperature becomes central to accommodate Dirichlet boundary conditions. EEM methods are finally validated and proved to exhibit enhanced numerical stability and robustness properties compared to standard ones.