Cellular automata (CA) are fully discrete dynamical systems. Space is represented by a regular lattice while time proceeds in finite steps. Each cell of the lattice is assigned a state, chosen from a finite set of "values". The states of the cells are updated synchronously according to a local interaction rule, whereby each cell obeys the same rule. Formal definitions of deterministic, probabilistic and lattice-gas CA are presented. With the so-called mean-field approximation any CA model can be transformed into a deterministic model with continuous state space. CA rules, which characterise movement, single-component growth and many-component interactions are designed and explored. It is demonstrated that lattice-gas CA offer a suitable tool for modelling such processes and for analysing them by means of the corresponding mean-field approximation. In particular two types of many-component interactions in lattice-gas CA models are introduced and studied. The first CA captures in abstract form the essential ideas of activator-inhibitor interactions of biological systems. Despite of the automaton´s simplicity, self-organised formation of stationary spatial patterns emerging from a randomly perturbed uniform state is observed (Turing pattern). In the second CA, rules are designed to mimick the dynamics of excitable systems. Spatial patterns produced by this automaton are the self-organised formation of spiral waves and target patterns. Properties of both pattern formation processes can be well captured by a linear stability analysis of the corresponding nonlinear mean-field (Boltzmann) equations.

This thesis investigates time series analysis tools for prediction, as well as detection and characterization of dependencies, informed by dynamical systems theory. Emphasis is placed on the role of delays with respect to information processing in dynamical systems, as well as with respect to their effect in causal interactions between systems. The three main features that characterize this work are, first, the assumption that time series are measurements of complex deterministic systems. As a result, functional mappings for statistical models in all methods are justified by concepts from dynamical systems theory. To bridge the gap between dynamical systems theory and data, differential topology is employed in the analysis. Second, the Bayesian paradigm of statistical inference is used to formalize uncertainty by means of a consistent theoretical apparatus with axiomatic foundation. Third, the statistical models are strongly informed by modern nonlinear concepts from machine learning and nonparametric modeling approaches, such as Gaussian process theory. Consequently, unbiased approximations of the functional mappings implied by the prior system level analysis can be achieved. Applications are considered foremost with respect to computational neuroscience but extend to generic time series measurements.

Komplexe Systeme wie das Klima der Erde bestehen aus vielen Komponenten, die durch eine komplizierte Kopplungsstruktur miteinander verbunden sind. Für die Analyse solcher Systeme erscheint es daher naheliegend, Methoden aus der Netzwerktheorie, der Theorie dynamischer Systeme und dem maschinellen Lernen zusammenzubringen. Durch die Kombination verschiedener Konzepte aus diesen Bereichen werden in dieser Arbeit drei neuartige Ansätze zur Untersuchung komplexer Systeme betrachtet. Im ersten Teil wird eine Methode zur Konstruktion komplexer Netzwerke vorgestellt, die in der Lage ist, Windpfade des südamerikanischen Monsunsystems zu identifizieren. Diese Analyse weist u.a. auf den Einfluss der Rossby-Wellenzüge auf das Monsunsystem hin. Dies wird weiter untersucht, indem gezeigt wird, dass der Niederschlag mit den Rossby-Wellen phasenkohärent ist. So zeigt der erste Teil dieser Arbeit, wie komplexe Netzwerke verwendet werden können, um räumlich-zeitliche Variabilitätsmuster zu identifizieren, die dann mit Methoden der nichtlinearen Dynamik weiter analysiert werden können. Die meisten komplexen Systeme weisen eine große Anzahl von möglichen asymptotischen Zuständen auf. Um solche Zustände zu beschreiben, wird im zweiten Teil die Monte Carlo Basin Bifurcation Analyse (MCBB), eine neuartige numerische Methode, vorgestellt. Angesiedelt zwischen der klassischen Analyse mit Ordnungsparametern und einer gründlicheren, detaillierteren Bifurkationsanalyse, kombiniert MCBB Zufallsstichproben mit Clustering, um die verschiedenen Zustände und ihre Einzugsgebiete zu identifizieren. Bei von Vorhersagen von komplexen Systemen ist es nicht immer einfach, wie Vorwissen in datengetriebenen Methoden integriert werden kann. Eine Möglichkeit hierzu ist die Verwendung von Neuronalen Partiellen Differentialgleichungen. Hier wird im letzten Teil der Arbeit gezeigt, wie hochdimensionale räumlich-zeitlich chaotische Systeme mit einem solchen Ansatz modelliert und vorhergesagt werden können. / Complex systems such as the Earth's climate are comprised of many constituents that are interlinked through an intricate coupling structure. For the analysis of such systems it therefore seems natural to bring together methods from network theory, dynamical systems theory and machine learning. By combining different concepts from these fields three novel approaches for the study of complex systems are considered throughout this thesis. In the first part, a novel complex network construction method is introduced that is able to identify the most important wind paths of the South American Monsoon system. Aside from the importance of cross-equatorial flows, this analysis points to the impact Rossby Wave trains have both on the precipitation and low-level circulation. This connection is then further explored by showing that the precipitation is phase coherent to the Rossby Wave. As such, the first part of this thesis demonstrates how complex networks can be used to identify spatiotemporal variability patterns within large amounts of data, that are then further analysed with methods from nonlinear dynamics. Most complex systems exhibit a large number of possible asymptotic states. To investigate and track such states, Monte Carlo Basin Bifurcation analysis (MCBB), a novel numerical method is introduced in the second part. Situated between the classical analysis with macroscopic order parameters and a more thorough, detailed bifurcation analysis, MCBB combines random sampling with clustering methods to identify and characterise the different asymptotic states and their basins of attraction. Forecasts of complex system are the next logical step. When doing so, it is not always straightforward how prior knowledge in data-driven methods. One possibility to do is by using Neural Partial Differential Equations. Here, it is demonstrated how high-dimensional spatiotemporally chaotic systems can be modelled and predicted with such an approach in the last part of the thesis.

The main focus of this paper is the evolution of complex behavior in a system of coupled nonlinear memristor circuits depending on the applied coupling conditions. Thereby, the parameter space for the local activity and the edge-of-chaos domain will be determined to enable the emergence of the pattern formation in locally coupled cells according to Chua's principle. Each cell includes a Niobium oxide-based memristor, which may feature a locally active behavior once it is suitably biased on the negative differential resistance region of its DC current-voltage characteristic. It will be shown that there exists a domain of parameters under which each uncoupled cell may become locally active around a stable bias state. More specifically, under these conditions, the coupled cells are on the edge-of-chaos, and can support the static and dynamic pattern formation. The emergence of such complex spatio-temporal behavior in homogeneous structures is a prerequisite for information processing. The theoretical results are confirmed by

nferring the network topology from the dynamics of interacting units constitutes a topical challenge that drives research on its theory and applications across physics, mathematics, biology, and engineering. Most current inference methods rely on time series data recorded from all dynamical variables in the system. In applications, often only some of these time series are accessible, while other units or variables of all units are hidden, i.e. inaccessible or unobserved. For instance, in AC power grids, frequency measurements often are easily available whereas determining the phase relations among the oscillatory units requires much more effort. Here, we propose a network inference method that allows to reconstruct the full network topology even if all units exhibit hidden variables. We illustrate the approach in terms of a basic AC power grid model with two variables per node, the local phase angle and the local instantaneous frequency. Based solely on frequency measurements, we infer the underlying network topology as well as the relative phases that are inaccessible to measurement. The presented method may be enhanced to include systems with more complex coupling functions and additional parameters such as losses in power grid models. These results may thus contribute towards developing and applying novel network inference approaches in engineering, biology and beyond.

Systeme mit Zeitverzögerung sind dadurch charakterisiert, dass deren zukünftige Entwicklung durch den Zustand zum aktuellen Zeitpunkt nicht eindeutig festgelegt ist. Die Historie des Zustands muss in einem Zeitraum bekannt sein, dessen Länge Totzeit genannt wird und die Gedächtnislänge festlegt. In dieser Arbeit werden fundamentale Effekte untersucht, die sich ergeben, wenn die Totzeit zeitlich variiert wird. Im ersten Teil werden zwei Klassen periodischer Totzeitvariationen eingeführt. Da diese von den dynamischen Eigenschaften einer eindimensionalen iterierten Abbildung abgeleitet werden, die über die Totzeit definiert wird, werden die Klassen entsprechend der zugehörigen Dynamik konservativ oder dissipativ genannt. Systeme mit konservativer Totzeit können in Systeme mit konstanter Totzeit transformiert werden und besitzen gleiche charakteristische Eigenschaften. Dagegen weisen Systeme mit dissipativer Totzeit fundamentale Unterschiede z.B. in der Tangentialraumdynamik auf. Im zweiten Teil werden diese Ergebnisse auf Systeme angewendet, deren Totzeit im Vergleich zur internen Relaxationszeit des Systems groß ist. Es zeigt sich, dass ein durch dissipative Totzeitvariationen induzierter Mechanismus, genannt resonanter Dopplereffekt, unter anderem zu neuen Arten chaotischer Dynamik führt. Diese sind im Vergleich zur bekannten chaotischen Dynamik in Systemen mit konstanter Totzeit sehr niedrig-dimensional. Als Spezialfall wird das so genannte laminare Chaos betrachtet, dessen Zeitreihen durch nahezu konstante Phasen periodischer Dauer gekennzeichnet sind, deren Amplitude chaotisch variiert. Im dritten Teil dieser Arbeit wird auf der Basis experimenteller Daten und durch die Analyse einer nichtlinearen retardierten Langevin-Gleichung gezeigt, dass laminares Chaos robust gegenüber Störungen wie zum Beispiel Rauschen ist und experimentell realisiert werden kann. Es werden Methoden zur Zeitreihenanalyse entwickelt, um laminares Chaos in experimentellen Daten ohne Kenntnis des erzeugenden Systems zu detektieren. Mit diesen Methoden ist selbst dann eine Detektion möglich, wenn das Rauschen so stark ist, dass laminares Chaos mit bloßem Auge nur schwer erkennbar ist.:1. Introduction 2. Dissipative and conservative delays in systems with time-varying delay 3. Laminar Chaos and the resonant Doppler effect 4. Laminar Chaos: a robust phenomenon 5. Summary and concluding remarks A. Appendix / In systems with time-delay, the evolution of a system is not uniquely determined by the state at the current time. The history of the state must be known for a time period of finite duration, where the duration is called delay and determines the memory length of the system. In this work, fundamental effects arising from a temporal variation of the time-delay are investigated. In the first part, two classes of periodically time-varying delays are introduced. They are related to a specific dynamics of a one-dimensional iterated map that is defined by the time-varying delay. Referring to the related map dynamics the classes are called conservative or dissipative. Systems with conservative delay can be transformed into systems with constant delay, and thus have the same characteristic properties as constant delay systems. In contrast, there are fundamental differences, for instance, in the tangent space dynamics, between systems with dissipative delay and systems with constant delay. In the second part, these results are applied to systems with a delay that is considered large compared to the internal relaxation time of the system. It is shown that a mechanism induced by dissipative delays leads to new kinds of regular and chaotic dynamics. The dynamics caused by the so-called resonant Doppler effect is fundamentally different from the behavior known from systems with constant delay. For instance, the chaotic attractors in systems with dissipative delay are very low-dimensional compared to typical ones arising in systems with constant delay. An example of this new kind of low-dimensional dynamics is given by the so-called Laminar Chaos. It is characterized by nearly constant laminar phases of periodic duration, where the amplitude varies chaotically. In the third part of this work, it is shown that Laminar Chaos is a robust phenomenon, which survives perturbations such as noise and can be observed experimentally. Therefore experimental data is provided and a nonlinear delayed Langevin equation is analyzed. Using the robust features that characterize Laminar Chaos, methods for time series analysis are developed, which enable us to detect Laminar Chaos without the knowledge of the specific system that has generated the time series. By these methods Laminar Chaos can be detected even for comparably large noise strengths, where the characteristic properties are nearly invisible to the eye.:1. Introduction 2. Dissipative and conservative delays in systems with time-varying delay 3. Laminar Chaos and the resonant Doppler effect 4. Laminar Chaos: a robust phenomenon 5. Summary and concluding remarks A. Appendix

Diese Arbeit befasst sich mit Hochleistungsdioden aus den Halbleitermaterialen Silizium und Siliziumkarbid. Analysiert werden die statischen und dynamischen Schalteigenschaften. Bei den SiC-Bauelementen handelt es sich um unipolare Schottky-Dioden und bei den Silizium-Dioden um bipolare pin-Dioden. Bei den SiC-Schottky-Dioden liegt der Schwerpunkt auf der Analyse des statischen Durchbruchverhaltens von Randstrukturen und auf der Untersuchung der Selbsterwärmung bei Einzel- und Mehrpulsbelastung. Bei den bipolaren Silizium-Dioden wird das Durchbruchverhalten bei niedrigen und hohen Stromdichten untersucht. Aus den Sperrcharakteristiken, die positiv und negativ differentielle Widerstandsäste aufweisen, lassen sich Schlussfolgerungen auf das dynamische Verhalten ziehen. Das Abschaltverhalten (reverse recovery) der mit Plasma überschwemmten Bauelemente wird zuerst im Hinblick auf den Einfluss von Strukturparametern untersucht, um die prinzipiellen Einflussgrößen zu erläutern. Dann folgen die Ergebnisse zur Filamentbildung, die bei den hohen Belastungen der Bauelemente während des Kommutierungsprozesses auftreten können. Die auftretenden Filamentstrukturen werden analysiert und - soweit möglich - Einflussgrößen herausgearbeitet. Schließlich wird noch auf den Einfluss von Randstrukturen auf das Filamentierungsverhalten, die als Inhomogenität in jedem Bauelement vorhanden sind, eingegangen.

No description available.

Diese Arbeit befasst sich mit Hochleistungsdioden aus den Halbleitermaterialen Silizium und Siliziumkarbid. Analysiert werden die statischen und dynamischen Schalteigenschaften. Bei den SiC-Bauelementen handelt es sich um unipolare Schottky-Dioden und bei den Silizium-Dioden um bipolare pin-Dioden. Bei den SiC-Schottky-Dioden liegt der Schwerpunkt auf der Analyse des statischen Durchbruchverhaltens von Randstrukturen und auf der Untersuchung der Selbsterwärmung bei Einzel- und Mehrpulsbelastung. Bei den bipolaren Silizium-Dioden wird das Durchbruchverhalten bei niedrigen und hohen Stromdichten untersucht. Aus den Sperrcharakteristiken, die positiv und negativ differentielle Widerstandsäste aufweisen, lassen sich Schlussfolgerungen auf das dynamische Verhalten ziehen. Das Abschaltverhalten (reverse recovery) der mit Plasma überschwemmten Bauelemente wird zuerst im Hinblick auf den Einfluss von Strukturparametern untersucht, um die prinzipiellen Einflussgrößen zu erläutern. Dann folgen die Ergebnisse zur Filamentbildung, die bei den hohen Belastungen der Bauelemente während des Kommutierungsprozesses auftreten können. Die auftretenden Filamentstrukturen werden analysiert und - soweit möglich - Einflussgrößen herausgearbeitet. Schließlich wird noch auf den Einfluss von Randstrukturen auf das Filamentierungsverhalten, die als Inhomogenität in jedem Bauelement vorhanden sind, eingegangen.

Analytical and semi-analytical physical models for MEMS are derived from nonlinear mechanics. By taking into account system characteristics and assumptions, system identification enables the derivation of a mathematical model that is tailored to the effect and the MEMS under analysis. Such an adapted model can successfully emulate and explain the nonlinear dynamics of individual MEMS, including resonant actuation of parasitic modes. The performed analyses also confirm that small deviations in the mode spectrum between devices influence the occurrence of nonlinear effects.:1 Introduction 2 MEMS: Design, Devices & Modelling 3 Nonlinear Mechanics of Dynamical Systems 4 Modelling Approach 5 System Identification & Characterization 6 Conclusion / Analytische und semi-analytische physikalische Modelle für MEMS werden aus der nichtlinearen Mechanik abgeleitet. Durch die Berücksichtigung systemspezifischer Merkmale und Annahmen, ermöglicht die Systemidentifikation das Ableiten eines mathematischen Modells, das auf den analysierten Effekt und das MEMS zugeschnitten ist. Ein solches Modell kann für die Erklärung der nichtlinearen Dynamik einzelner MEMS herangezogen werden und bildet erfolgreich nichtlineare Effekte nach, einschließlich des resonanten Aufschwingens von Parasitärmoden. Die durchgeführten Analysen bestätigen auch, dass geringe Abweichungen im Modenspektrum zwischen Bauteilen das Auftreten nichtlinearer Effekte beeinflussen.:1 Introduction 2 MEMS: Design, Devices & Modelling 3 Nonlinear Mechanics of Dynamical Systems 4 Modelling Approach 5 System Identification & Characterization 6 Conclusion