In this work, multi-particle quantum optimal control problems are studied in the framework of time-dependent density functional theory (TDDFT). Quantum control problems are of great importance in both fundamental research and application of atomic and molecular systems. Typical applications are laser induced chemical reactions, nuclear magnetic resonance experiments, and quantum computing. Theoretically, the problem of how to describe a non-relativistic system of multiple particles is solved by the Schrödinger equation (SE). However, due to the exponential increase in numerical complexity with the number of particles, it is impossible to directly solve the Schrödinger equation for large systems of interest. An efficient and successful approach to overcome this difficulty is the framework of TDDFT and the use of the time-dependent Kohn-Sham (TDKS) equations therein. This is done by replacing the multi-particle SE with a set of nonlinear single-particle Schrödinger equations that are coupled through an additional potential. Despite the fact that TDDFT is widely used for physical and quantum chemical calculation and software packages for its use are readily available, its mathematical foundation is still under active development and even fundamental issues remain unproven today. The main purpose of this thesis is to provide a consistent and rigorous setting for the TDKS equations and of the related optimal control problems. In the first part of the thesis, the framework of density functional theory (DFT) and TDDFT are introduced. This includes a detailed presentation of the different functional sets forming DFT. Furthermore, the known equivalence of the TDKS system to the original SE problem is further discussed. To implement the TDDFT framework for multi-particle computations, the TDKS equations provide one of the most successful approaches nowadays. However, only few mathematical results concerning these equations are available and these results do not cover all issues that arise in the formulation of optimal control problems governed by the TDKS model. It is the purpose of the second part of this thesis to address these issues such as higher regularity of TDKS solutions and the case of weaker requirements on external (control) potentials that are instrumental for the formulation of well-posed TDKS control problems. For this purpose, in this work, existence and uniqueness of TDKS solutions are investigated in the Galerkin framework and using energy estimates for the nonlinear TDKS equations. In the third part of this thesis, optimal control problems governed by the TDKS model are formulated and investigated. For this purpose, relevant cost functionals that model the purpose of the control are discussed. Henceforth, TDKS control problems result from the requirement of optimising the given cost functionals subject to the differential constraint given by the TDKS equations. The analysis of these problems is novel and represents one of the main contributions of the present thesis. In particular, existence of minimizers is proved and their characterization by TDKS optimality systems is discussed in detail. To this end, Fréchet differentiability of the TDKS model and of the cost functionals is addressed considering \(H^1\) cost of the control. This part is concluded by deriving the reduced gradient in the \(L^2\) and \(H^1\) inner product. While the \(L^2\) optimization is widespread in the literature, the choice of the \(H^1\) gradient is motivated in this work by theoretical consideration and by resulting numerical advantages. The last part of the thesis is devoted to the numerical approximation of the TDKS optimality systems and to their solution by gradient-based optimization techniques. For the former purpose, Strang time-splitting pseudo-spectral schemes are discussed including a review of some recent theoretical estimates for these schemes and a numerical validation of these estimates. For the latter purpose, nonlinear (projected) conjugate gradient methods are implemented and are used to validate the theoretical analysis of this thesis with results of numerical experiments with different cost functional settings. / In dieser Arbeit werden quantenmechanische Vielteilchen-Optimalsteuerungsprobleme im Rahmen der zeitabhängigen Dichtefunktionaltheorie (TDDFT) untersucht. Quantenmechanische Optimalsteuerungsprobleme sind sowohl in der Grundlagenforschung atomarer und molekularer Systeme als auch in entsprechenden Anwendungen von großer Bedeutung. Typische Anwendungen sind laserinduzierte chemische Reaktionen, Kernspinresonanzexperimente und Quantencomputer. Theoretisch ist das Problem einer nicht-relativistischen Beschreibung von Vielteilchensystemen mit der Schrödingergleichung (SG) gelöst. Tatsächlich ist es aber wegen des exponentiellen Anstiegs der numerischen Komplexität mit der Teilchenzahl unmöglich, die Schrödingergleichung für große Systeme von Interesse direkt zu lösen. Ein effizienter und erfolgreicher Ansatz diese Schwierigkeit zu überwinden ist die TDDFT und die Verwendung der zeitabhängigen Kohn-Sham-Gleichungen (TDKS) im Rahmen der TDDFT. Diese ersetzen die Vielteichlchen-SG durch ein System nichtlinearer Einteilchen-SGn, die mittels eines zusätzlichen Potentials gekoppelt sind. Obwohl die TDDFT für physikalische und quantenchemische Rechungen weit verbreitet ist und Softwarepakete zur direkten Verwendung zur Verfügung stehen, sind die mathematischen Grundlagen der TDDFT noch in der Entwicklung und grundlegende Vermutungen sind noch immer unbewiesen. Das Hauptanliegen der vorliegenden Arbeit ist es, einen konsistenten und mathematisch präzisen Rahmen für die TDKS-Gleichungen und verwandte Optimalsteuerungsprobleme zu liefern. Im ersten Teil der Arbeit wird die Dichtefunktionaltheorie (DFT) und die TDDFT eingeführt. Diese Einführung enthält eine detaillierte Darstellung der für die DFT relevanten Funktionenmengen. Außerdem wird die bereits bekannte Äquivalenz zwischen dem ursprünglichen Schrödingerproblem und dem TDKS-System mathematisch weitergehend diskutiert. Der derzeit erfolgreichste Ansatz, Vielteichenrechnungen im Rahmen der TDDFT umzusetzen, sind die TDKS-Gleichungen. Es sind jedoch bisher nur wenige mathematische Resultate über diese Gleichungen verfügbar und diese Ergebnisse behandeln nicht alle Probleme, die bei der Formulierung von Optimalsteuerungsproblemen bei TDKS-Gleichungen auftreten. Es ist das Ziel des zweiten Teils dieser Arbeit, diese für die Wohldefiniertheit der Formulierung der Optimalsteuerungsaufgabe maßgeblichen Probleme, wie die höhere Regularität der Lösungen der TDKS-Gleichungen und schwächere Voraussetzungen an das externe Kontrollpotential, zu behandeln. Dazu wird die Existenz und Eindeutigkeit von Lösungen der nichtlinearen TDKS-Gleichungen mit dem Galerkin-Ansatz und Energieabschätzungen untersucht. Im dritten Teil dieser Arbeit werden Probleme optimaler Steuerung bei TDKS-Gleichungen formuliert und untersucht. Dafür werden relevante Kostenfunktionale, die das Ziel der Steuerung modellieren, diskutiert. Die Optimalsteuerungsprobleme ergeben sich aus der Optimierung dieser Kosten unter der Nebenbedingung der TDKS-Gleichungen. Die Analyse dieser Probleme ist neu und stellt eines der Hauptergebnisse der vorliegenden Arbeit dar. Insbesondere wird die Existenz einer optimalen Steuerung bewiesen und ihre Charakterisierung mittels eines TDKS-Optimalitätssystem im Detail diskutiert. Dazu wird die Fréchet-Differenzierbarkeit des TDKS-Models und des Kostenfunktionals mit \(H^1\)-Steuerungskosten betrachtet. Abschließend wird der reduzierte Gradient im \(L^2\)- und im \(H^1\)-Skalarprodukt hergeleitet. Während die \(L^2\)-Optimierung in der Literatur weit verbreitet ist, wird in dieser Arbeit die Verwendung des \(H^1\)-Gradienten mit theoretischen Argumenten und resultierenden numerischen Vorteilen motiviert. Der letzte Teil dieser Arbeit ist der numerischen Approximation des TDKS-Optimalitätssystems und seiner Lösung mittels gradientenbasierter Optimierungsmethoden gewidmet. Für ersteres wird die Strang Zeitsplitting-Pseudospektralmethode diskutiert, eine Zusammenfassung einiger aktueller theoretischer Abschätzungen für dieses Schema angegeben und diese Abschätzungen numerisch überprüft. Für letzteres wird das (projizierte) nichtlineare Verfahren der konjugierten Gradienten (NCG) implementiert und verwendet um die theoretische Analyse dieser Arbeit mit den Ergebnissen numerischer Rechnungen für verschiedene Kostenfunktionale zu validieren.

This thesis is concerned with the solution of control and state constrained optimal control problems, which are governed by elliptic partial differential equations. Problems of this type are challenging since they suffer from the low regularity of the multiplier corresponding to the state constraint. Applying an augmented Lagrangian method we overcome these difficulties by working with multiplier approximations in $L^2(\Omega)$. For each problem class, we introduce the solution algorithm, carry out a thoroughly convergence analysis and illustrate our theoretical findings with numerical examples. The thesis is divided into two parts. The first part focuses on classical PDE constrained optimal control problems. We start by studying linear-quadratic objective functionals, which include the standard tracking type term and an additional regularization term as well as the case, where the regularization term is replaced by an $L^1(\Omega)$-norm term, which makes the problem ill-posed. We deepen our study of the augmented Lagrangian algorithm by examining the more complicated class of optimal control problems that are governed by a semilinear partial differential equation. The second part investigates the broader class of multi-player control problems. While the examination of jointly convex generalized Nash equilibrium problems (GNEP) is a simple extension of the linear elliptic optimal control case, the complexity is increased significantly for pure GNEPs. The existence of solutions of jointly convex GNEPs is well-studied. However, solution algorithms may suffer from non-uniqueness of solutions. Therefore, the last part of this thesis is devoted to the analysis of the uniqueness of normalized equilibria. / Die vorliegende Arbeit beschäftigt sich mit der Lösung von kontroll- und zustandsbeschränkten Optimalsteuerungsproblemen mit elliptischen partiellen Differentialgleichungen als Nebenbedingungen. Da die zur Zustandsbeschränkung zugehörigen Multiplikatoren nur eine niedrige Regularität aufweisen, sind Probleme dieses Typs besonders anspruchsvoll. Zur Lösung dieser Problemklasse wird ein augmentiertes Lagrange-Verfahren angewandt, das Annäherungen der Multiplikatoren in $L^2(\Omega)$ verwendet. Für jede Problemklasse erfolgt eine Präsentation des Lösungsalgorithmus, eine sorgfältige Konvergenzanalysis sowie eine Veranschaulichung der theoretischen Ergebnisse durch numerische Beispiele. Die Arbeit ist in zwei verschiedene Themenbereiche gegliedert. Der erste Teil widmet sich klassischen Optimalsteuerungsproblemen. Dabei wird zuerst der linear-quadratische und somit konvexe Fall untersucht. Hier setzt sich das Kostenfunktional aus einem Tracking-Type Term sowie einem $L^2(\Omega)$-Regularisierungsterm oder einem $L^1(\Omega)$-Term zusammen. Wir erweitern unsere Analysis auf nichtkonvexe Probleme. In diesem Fall erschwert die Nichtlinearität der zugrundeliegenden partiellen Differentialgleichung die Konvergenzanalysis des zugehörigen Optimalsteuerungsproblems maßgeblich. Der zweite Teil der Arbeit nutzt die Grundlagen, die im ersten Teil erarbeitet wurden und untersucht die allgemeiner gehaltene Problemklasse der Nash-Mehrspielerprobleme. Während die Untersuchung von konvexen verallgemeinerten Nash-Gleichsgewichtsproblemen (engl.: Generalized Nash Equilibrium Problem, kurz: GNEP) mit einer für alle Spieler identischen Restriktion eine einfache Erweiterung von linear elliptischen Optimalsteuerungsproblemen darstellt, erhöht sich der Schwierigkeitsgrad für Mehrspielerprobleme ohne gemeinsame Restriktion drastisch. Die Eindeutigkeit von normalisierten Nash-Gleichgewichten ist, im Gegensatz zu deren Existenz, nicht ausreichend erforscht, was insbesondere eine Schwierigkeit für Lösungsalgorithmen darstellt. Aus diesem Grund wird im letzten Teil dieser Arbeit die Eindeutigkeit von Lösungen gesondert betrachtet.

The human motor system is adaptive in two senses. It adapts to the properties of the body to enable effective control. It also adapts to different situational requirements and constraints. This thesis proposes a new neural network model of both kinds of adaptivity for the motor cortical control of human reaching movements, called SURE_REACH (sensorimotor unsupervised learning redundancy resolving control architecture). In this neural network approach, the kinematic and sensorimotor redundancy of a three-joint planar arm is encoded in task-independent internal models by an unsupervised learning scheme. Before a movement is executed, the neural networks prepare a movement plan from the task-independent internal models, which flexibly incorporates external, task-specific constraints. The movement plan is then implemented by proprioceptive or visual closed-loop control. This structure enables SURE_REACH to reach hand targets while incorporating task-specific contraints, for example adhering to kinematic constraints, anticipating the demands of subsequent movements, avoiding obstacles, or reducing the motion of impaired joints. Besides this functionality, the model accounts for temporal aspects of human reaching movements or for data from priming experiments. Additionally, the neural network structure reflects properties of motor cortical networks like interdependent population encoded body space representations, recurrent connectivity, or associative learning schemes. This thesis introduces and describes the new model, relates it to current computational models, evaluates its functionality, relates it to human behavior and neurophysiology, and finally discusses potential extensions as well as the validity of the model. In conclusion, the proposed model grounds highly flexible task-dependent behavior in a neural network framework and unsupervised sensorimotor learning. / Das motorische System des Menschen ist in zweierlei Hinsicht anpassungsfähig. Es passt sich den Eigenschaften des Körpers an, um diesen effektiv zu kontrollieren. Es passt sich aber auch unterschiedlichen situationsabhängigen Erfordernissen und Beschränkungen an. Diese Dissertation stellt ein neues neuronales Netzwerk Modell der motor-kortikalen Steuerung von menschlichen Zeigebewegungen vor, das beide Arten von Anpassungsfähigkeit integriert (SURE_REACH, Sensumotorische, unüberwacht lernende, redundanzauflösende Kontrollarchitektur). Das neuronale Netzwerk speichert kinematische und sensumotorische Redundanz eines planaren, dreigelenkigen Armes in aufgabenunabhängigen internen Modellen mittels unüberwachter Lernverfahrenen. Vor der Ausführung einer Bewegung bereitet das neuronale Netzwerk einen Bewegungsplan vor. Dieser basiert auf den aufgabenunabhängigen internen Modells und passt sich flexibel äu"seren, aufgabenabhängigen Erfordernissen an. Der Bewegungsplan wird dann durch propriozeptive oder visuelle Regelung umgesetzt. Auf diese Weise erklärt SURE_REACH Bewegungen zu Handzielen die aufgabenabhängige Erfordernisse berücksichtigen, zum Beispiel werden kinematische Beschränkungen miteinbezogen, Erfordernisse nachfolgender Aufgaben antizipiert, Hindernisse vermieden oder Bewegungen verletzter Gelenke reduziert. Desweiteren werden zeitliche Eigenschaften menschlicher Bewegungen oder die Ergebnisse von Primingexperimenten erklärt. Die neuronalen Netzwerke bilden zudem Eigenschaften motor-kortikaler Netzwerke ab, zum Beispiel wechselseitig abhängige Raumrepräsentationen, rekurrente Verbindungen oder assoziative Lernverfahren. Diese Dissertation beschreibt das neue Modell, vergleicht es mit anderen Modellen, untersucht seine Funktionalität, stellt Verbindungen zu menschlichem Verhalten und menschlicher Neurophysiologie her und erörtert schlie"slich mögliche Erweiterungen und die Validität des Models. Zusammenfassend stellt das vorgeschlagene Model eine Erklärung für flexibles aufgabenbezogenes Verhalten auf ein Fundament aus neuronalen Netzwerken und unüberwachten sensumotorischen Lernen.

Proximal methods are iterative optimization techniques for functionals, J = J1 + J2, consisting of a differentiable part J2 and a possibly nondifferentiable part J1. In this thesis proximal methods for finite- and infinite-dimensional optimization problems are discussed. In finite dimensions, they solve l1- and TV-minimization problems that are effectively applied to image reconstruction in magnetic resonance imaging (MRI). Convergence of these methods in this setting is proved. The proposed proximal scheme is compared to a split proximal scheme and it achieves a better signal-to-noise ratio. In addition, an application that uses parallel imaging is presented. In infinite dimensions, these methods are discussed to solve nonsmooth linear and bilinear elliptic and parabolic optimal control problems. In particular, fast convergence of these methods is proved. Furthermore, for benchmarking purposes, truncated proximal schemes are compared to an inexact semismooth Newton method. Results of numerical experiments are presented to demonstrate the computational effectiveness of our proximal schemes that need less computation time than the semismooth Newton method in most cases. Results of numerical experiments are presented that successfully validate the theoretical estimates. / Proximale Methoden sind iterative Optimierungsverfahren für Funktionale J = J1 +J2, die aus einem differenzierbaren Teil J2 und einem möglicherweise nichtdifferenzierbaren Teil bestehen. In dieser Arbeit werden proximale Methoden für endlich- und unendlichdimensionale Optimierungsprobleme diskutiert. In endlichen Dimensionen lösen diese `1- und TV-Minimierungsprobleme welche erfolgreich in der Bildrekonstruktion der Magnetresonanztomographie (MRT) angewendet wurden. Die Konvergenz dieser Methoden wurde in diesem Zusammenhang bewiesen. Die vorgestellten proximalen Methoden wurden mit einer geteilten proximalen Methode verglichen und konnten ein besseres Signal-Rausch-Verhältnis erzielen. Zusätzlich wurde eine Anwendung präsentiert, die parallele Bildgebung verwendet. Diese Methoden werden auch für unendlichdimensionale Probleme zur Lösung von nichtglatten linearen und bilinearen elliptischen und parabolischen optimalen Steuerungsproblemen diskutiert. Insbesondere wird die schnelle Konvergenz dieser Methoden bewiesen. Außerdem werden abgeschnittene proximale Methoden mit einem inexakten halbglatten Newtonverfahren verglichen. Die numerischen Ergebnisse demonstrieren die Effektivität der proximalen Methoden, welche im Vergleich zu den halbglatten Newtonverfahren in den meisten Fällen weniger Rechenzeit benötigen. Zusätzlich werden die theoretischen Abschätzungen bestätigt.

The H_infinity control problem is studied for linear constant coefficient descriptor systems. Necessary and sufficient optimality conditions as well as controller formulas are derived in terms of deflating subspaces of even matrix pencils for problems of arbitrary index. A structure preserving method for computing these subspaces is introduced. In combination these results allow the derivation of a numerical algorithm with advantages over the classical methods.

Texte remanié de : Thèse de doctorat : Mathématiques : Lyon, École normale supérieure (sciences) : 2007. / Bibliogr. p. [243]-251.

We address the important field of large scale matrix based algorithms in control and model order reduction. Many important tools from theory and applications in systems theory have been widely ignored during the recent decades in the context of PDE constraint optimal control problems and simulation of electric circuits. Often this is due to the fact that large scale matrices are suspected to be unsolvable in large scale applications. Since around 2000 efficient low rank theory for matrix equation solvers exists for sparse and also data sparse systems. Unfortunately upto now only incomplete or experimental Matlab implementations of most of these solvers have existed. Here we aim on the implementation of these algorithms in a higher programming language (in our case C) that allows for a high performance solver for many matrix equations arising in the context of large scale standard and generalized state space systems. We especially focus on efficient memory saving data structures and implementation techniques as well as the shared memory parallelization of the underlying algorithms.

Zugl.: Darmstadt, Techn. University, Diss.

University, Diss.--Bremen, 2007.

Stuttgart, Univ., Diss., 2006. / Druckausg. beim VDI-Verl., Düsseldorf als: Fortschrittberichte / VDI : Reihe 8 ; Nr. 1125 erschienen.