335598 research outputs found
Sort by
Mixed-valence CoO clusters on silicalite-1 facilitate propane dehydrogenation to propene
No full textUnderstanding the nature of active sites in heterogeneous catalysts and how to create them purposefully opens up the possibility of tailored catalyst design. Here we report mixed-valence subnanometre CoOx clusters, consisting of a few metallic Co0 atoms on top of Co2+, bound to a silicalite-1 support through lattice oxygen atoms as active species for non-oxidative propane dehydrogenation (PDH) to propene. Compared with commercial-like PtSn/Al2O3 and K-CrOx/Al2O3 catalysts also tested in the present study, as well as other state-of-the-art Pt- or Co-containing PDH catalysts, this system showed high on-stream stability, propene productivity and selectivity at close-to-equilibrium propane conversion. Moreover, it showed durability in a series of PDH/regeneration cycles between 500 and 550 °C. The performance of this catalyst system is industrially attractive in terms of propene production costs, as suggested by our initial techno-economic assessment
Technikfolgenabschätzung: prospektive Forschung für Politikberatung und Technikentwicklung
No full textAmtliche Bekanntmachung. Bekanntmachungen. 2026,1: Geschäftsordnung des Center für Kreislaufwirtschaft und Ressourceneffizienz mittels Additiver Fertigungstechnologien – Center KRAFt vom 21. Januar 2026
No full textImplementation of a multimodal home-based rehabilitation intervention after discharge from inpatient geriatric rehabilitation (GeRas): an early qualitative process evaluation
No full textBackground: Geriatric rehabilitation aims at increasing physical and social activity and maintaining the functional reserve of older people. However, the continuity of geriatric rehabilitation in the outpatient setting is limited due to a lack of structured aftercare programs. In order to overcome this, a three-month multimodal home-based intervention program (GeRas) was implemented. The aim of this early qualitative process evaluation was to assess GeRas in terms of perceived reach, effectiveness/efficacy, adoption/uptake, implementation, and maintenance/sustainability (Domains within the RE-AIM Framework) from the perspective of patients who received the intervention and healthcare providers who were involved in the delivery of the intervention.
Methods: In a qualitative process evaluation, 13 healthcare providers and 10 patients were interviewed throughout the beginning of the implementation period of GeRas to capture early experiences using a semi-structured interview guide. The interview guide and qualitative content analysis was guided by the RE-AIM Framework.
Results: The GeRas program was perceived to be largely well implemented and beneficial by healthcare providers and patients. According to healthcare providers, GeRas showed more advantages compared to usual care. Additionally, outcome expectations were mainly met (Domain 1: Effectiveness). However, the implementation of the intervention delivered via the eHealth system was perceived as challenging (Domain 2: Adoption). Nevertheless, the outpatient physical exercise, the outpatient counselling, and the continuous care after discharge improved perceived well-being regardless of the intervention type (Domain 3: Implementation). To facilitate the continued use of GeRas, technical requirements should be created to increase user-friendliness and to motivate patients to continue the training in the long term (Domain 4: Maintenance).
Conclusion: Although initial experiences with the implementation and effectiveness of GeRas were positive in general, organisational and technical issues need to be resolved to enhance sustainable and successful implementation of the GeRas program
Remote attestation in an isolated server setting through the usage of a tamper-resistant hardware token
No full textSafe Reinforcement Learning for Robotics
No full textTrotz seines nachgewiesenen Potenzials, Aufgaben in verschiedenen Domänen von Grund auf zu erlernen, bleibt die Notwendigkeit einer großen Anzahl von Trainingsepisoden in Kombination mit Sicherheitsbedenken ein wesentlicher limitierender Faktor für die Anwendung von Reinforcement Learning (RL) in der Robotik.
Das Erlernen von Fähigkeiten direkt auf realen Robotern ist zeitaufwendig, verursacht Verschleiß und birgt das Risiko von Schäden sowohl am Roboter als auch an seiner Umgebung durch unsichere explorative Aktionen.
Obwohl das Erlernen von Fähigkeiten in Simulationen und deren Übertragung auf reale Roboter vielversprechend ist, wird der Erfolg durch die sogenannte „Reality Gap“ – also die Diskrepanz zwischen Simulation und physischer Welt – eingeschränkt.
Diese Herausforderung ist besonders ausgeprägt bei Aufgaben, die den Kontakt mit der Umgebung erfordern, da sich Kontaktdynamiken nur schwer genau modellieren und simulieren lassen.
Darüber hinaus ist die Erstellung realistischer Simulationen selbst ein mühsamer und zeitintensiver Prozess.
Diese Arbeit adressiert diese Herausforderungen, indem Methoden entwickelt werden, die Aufgabenwissen und Einschränkungen in das RL einbeziehen, um so die Stichprobeneffizienz und Sicherheit während der Exploration und Ausführung zu verbessern.
Unbekanntes Aufgabenwissen und Aktionen werden von einem RL-Agenten erlernt, der in eingeschränkten Umgebungen exploriert, was ein direktes Lernen auf realen Robotern ermöglicht – insbesondere bei kontaktintensiven Aufgaben.
Die erste Methode dieser Arbeit, Reinforcement Learning with Shared Control Templates (RL-SCT), nutzt handgestaltetes Aufgabenwissen und Sicherheitsbeschränkungen, um Zustands- und Aktionsräume zu reduzieren und dadurch sicheres und stichprobeneffizientes Lernen auf realen Robotern zu ermöglichen.
Die zweite Methode, Kernelized Guided Reinforcement Learning (KGRL), erweitert diesen Ansatz, indem sie menschliche Demonstrationen integriert, um Politiken zu initialisieren und Einschränkungen über Linearly Constrained Null-Space Kernelized Movement Primitives (LC-NS-KMP) durchzusetzen.
KGRL verbessert die Extraktion von Aufgabenwissen im Vergleich zu RL-SCT, indem es Strategien zur Aufgabenerfüllung direkt aus Demonstrationen ableitet.
Es führt zustandsabhängiges, unsicherheitsbewusstes Explorationsrauschen ein, das aus der Varianz der Demonstrationen abgeleitet wird, und erzwingt lineare Ungleichungsbeschränkungen für den Roboterzustand, um eine sichere, geführte Exploration zu gewährleisten.
Die dritte Methode, Smooth Kernelized Guided Reinforcement Learning (sKGRL), erweitert KGRL durch die Einbeziehung einer glatten Explorationsstrategie unter Verwendung glatter Kerne (z. B. radialer Basisfunktionen) und der Zustandsverlaufshistorie des Roboters, um abrupte, hochbeschleunigte Bewegungen zu minimieren und die Sicherheit weiter zu erhöhen.
Im Gegensatz zu klassischem RL erzwingen unsere Methoden Beschränkungen explizit, wodurch einfachere Belohnungsfunktionen ohne zusätzliche Kostenbegriffe für Beschränkungsverletzungen möglich werden.
Gemeinsam ermöglichen diese Beiträge ein effizientes und sicheres Reinforcement Learning direkt auf realen Robotern und fördern damit die Anwendbarkeit von RL auf komplexe, kontaktintensive Manipulationsaufgaben in der Robotik.
Evaluierungen auf realen Robotern und in simulierten Umgebungen zeigen, dass diese Frameworks bestehende klassische RL-Methoden in Sicherheits- und Effizienzmetriken übertreffen – etwa durch geringere Flüssigkeitsverschüttung, weniger Kollisionen, geringere Interaktionskräfte und vor allem eine reduzierte Anzahl von Trainingsepisoden.
Durch die Kombination von Shared Control, demonstrationsgeleitetem Lernen und glatter Exploration bietet diese Arbeit einen ganzheitlichen Ansatz für das Reinforcement Learning in der realen Welt.
Wir präsentieren eine umfassende Evaluation dieser Methoden, um ihre Fähigkeit zur Bewältigung vielfältiger Manipulationsaufgaben zu demonstrieren.
Die Ergebnisse dieser Arbeit liefern neuartige Frameworks für skalierbares, sicheres Reinforcement Learning und treiben das Feld in Richtung praktischer Anwendungen in komplexen, kontaktintensiven robotischen Manipulationsaufgaben voran
Indikatoren des Referenzmodells zum Reporting in wissenschaftlichen Einrichtungen anhand von DORA
No full textZiel des Vorhabens „Entwicklung eines Referenzmodells zum Reporting in wissenschaftlichen Einrichtungen anhand von DORA“ (ERRED) ist die Entwicklung eines übertragbaren Referenzmodells. Das Referenzmodell besteht aus drei zentralen Säulen: Indikatoren, Kommunikation und Rahmenbedingungen. In diesem Dokument sind die erarbeiteten Indikatoren als Tabellen zusammengetragen. Sie bilden eine Grundlage und sollen stetig weiterentwickelt und ausdifferenziert werden
CORSIKA 8: A modern and universal framework for particle cascade simulations
No full textCORSIKA 8 represents a major advancement in the simulation of particle cascades in arbitrary media, building on the long-standing foundation of CORSIKA 7. It has been completely redesigned as a modular, modern C++ framework, overcoming key limitations of its predecessor and providing a flexible platform for both established and emerging use cases. In addition to traditional air-shower simulations, CORSIKA 8 supports applications such as cross-media particle cascades and improved modeling of radio emission, especially propagation through complex media. The framework includes state-of-the-art descriptions of electromagnetic cascades via PROPOSAL and supports hadronic interactions with current and next-generation models, such as EPOS LHC-R, QGSJet-III, and Pythia 8. In this presentation, we will outline the design principles, current capabilities, and ongoing validation efforts of CORSIKA 8, and discuss its role as a versatile simulation tool for future astroparticle and particle-physics experiments
