Die Erforschung natürlicher Prozesse für reale Anwendungen beinhaltet oft die Modellierung und rechnerische Simulation komplexer Prozesse, die auf vielen Zeit- oder Raumskalen ablaufen. Die maßgebenden Gleichungen, die die Dynamik repräsentieren, sind daher typischerweise hochdimensional und nichtlinear. Das erschwert einerseits den Einsatz von Werkzeugen der dynamischen Systemtheorie. Andererseits wird jede numerische Simulation unweigerlich die so genannten ungelöste Skalen oder subgrid-scales nicht auflösen können. Die Modellreduktion zielt auf die Vereinfachung der Regelgleichungen ab, indem sie niedrigdimensionale Modelle findet, die die volle hochdimensionale Dynamik approximieren. In diesem Seminar werden Modellreduktionsstrategien diskutiert, die häufig in der Fluiddynamik, den Klimawissenschaften, der Molekulardynamik und der Steuerungstheorie verwendet werden. Zu den zu diskutierenden Methoden und konzeptionellen Rahmen gehören die korrekte orthogonale Dekomposition (POD), die ausgewogene Trunkierung der Kontrolle, der Mori-Zwanzig-Formalismus zur stochastischen Parametrisierung schneller Freiheitsgrade und datengesteuerte Modellreduktionstechniken wie Markov State Models (MSM) und Hidden Markov Models (HMM).


Literatur

Antoulas AC 2005. Approximation of Large-Scale Dynamical Systems, SIAM Publications.

Bittracher A, Koltai P, Klus S et al 2018. Transition Manifolds of Complex Metastable Systems: Theory and Data-Driven Computation of Effective Dynamics. Journal of Nonlinear Science 28:471. https://doi.org/10.1007/s00332-017-9415-0

Chorin AJ, Hald OH, Kupferman R 2000. Optimal prediction and the Mori–Zwanzig representation of irreversible processes. Proceedings of the National Academy of Sciences, 97(7):2968–2973.

Gottwald GA, Crommelin DT, Franzke CLE 2017. Stochastic climate theory. In: Nonlinear and stochastic climate dynamics. Cambridge Univ. Press, Cambridge, 209–240.

Metzner P, Putzig L, Horenko I 2012. Analysis of Persistent Nonstationary Time Series and Applications. Commun. Appl. Math. Comput. Sci. 7:175–229.

Rowley CW 2005. Model reduction for fluids, using balanced proper orthogonal decomposition. International Journal of Bifurcation and Chaos 15:997–1013.

Schütte C, Sarich M 2013. Metastability and Markov State Models in Molecular Dynamics: Modeling, Analysis, Algorithmic Approaches. Courant Lecture Notes.