University of Siegen
Publikations- und Dokumentenserver der Universitätsbibliothek SiegenNot a member yet
2016 research outputs found
Sort by
Contribution to the requirements-based planning and evaluation of production supply systems
No full textDie Versorgung der Produktionsarbeitsplätze mit dem erforderlichen Material stellt einen bedeutenden Faktor für den Erfolg von Unternehmen dar. Bislang stehen für die Planung und Bewertung von Produktionsversorgungssystemen (PVS), welche die spezifischen Anforderungen der Stückgutproduktion erfüllen, keine geeigneten und öffentlich zugänglichen Verfahren für die Phase der Grobplanung bereit. Steigende Anforderungen an die Produktionsversorgung, welche sich in der Abnahme der Eigenfertigungstiefe sowie sich verändernden Marktbedingungen begründen, verstärken die Notwendigkeit einer methodischen Unterstützung. Die vorliegende Dissertation begegnet dieser Forschungslücke und entwickelt Methoden, Modelle und Werkzeuge, um Logistikplaner bei der Erzeugung und Bewertung anforderungsgerechter PVS anzuleiten und zur fundierten Auswahl einer unternehmensspezifischen Vorzugsvariante zu befähigen.
Der in der vorliegenden Dissertation entwickelte Lösungsansatz gliedert sich in die Beschreibung, die Bewertung und die Planung von PVS. Die Systembeschreibung erfolgt durch den Aufbau einer Taxonomie und die definitorische Festlegung der Gestaltungsmöglichkeiten zur Produktionsversorgung. Die erarbeiteten Inhalte wurden als VDI-Richtlinie 5587 veröffentlicht. Ein Entity-Relationship-Modell stellt den Aufbau, die Zusammenhänge und planungsrelevanten Eigenschaften der Systemelemente dar und fördert das Verständnis von und die Kommunikation über PVS. Die zahlreichen möglichen Anforderungen an PVS sind in Form eines umfassenden Zielkatalogs festgehalten, welcher verschiedene Zieldimensionen berücksichtigt. Ein zentrales Element der Dissertation ist ein Bewertungsmodell, das monetäre wie nicht monetäre Kriterien berücksichtigt und eine differenzierte Bewertung von PVS ermöglicht. Das Modell kann zur Bewertung und Analyse bestehender Systeme sowie zur Auswahl einer Planungsvariante verwendet werden und ist im Leitfaden zur Planung von PVS integriert. Der Planungsleitfaden findet in der Phase der Grobplanung Anwendung und zeigt anhand von sieben Planungsschritten den Lösungsweg zur Erzeugung anforderungsgerechter PVS auf.
Das Bewertungsmodell und der Planungsleitfaden wurden in einem Fallbeispiel in einem mittelständischen Unternehmen angewandt, wobei deutliche Kostensenkungen und Verbesserungen der Materialflüsse dokumentiert wurden. Die Befragung ausgewiesener Experten bestätigt die wissenschaftliche wie unternehmerische Relevanz der branchenübergreifend einsetzbaren Arbeitsergebnisse.
Die Dissertation stellt eine grundlegende Basisarbeit bereit und liefert Impulse zur Weiterentwicklung der wissenschaftlichen und praktischen Ansätze in der Produktionsversorgungsplanung und -bewertung.The supply of production workstations with the required material is a significant factor for the success of companies. Until now, there are no suitable methods available for planning and evaluating production supply systems (PSS) in the rough planning phase that meet the specific requirements of unit load production. Increasing demands on production supply, which result from the decrease in in-house production depth and changing market conditions, reinforce the need for methodical support. This dissertation addresses this research gap and develops methods, models, and tools to guide logistics planners in the creation and evaluation of PSS that meet company-specific requirements and enable them to select a preferred variant.
The solution approach developed in this dissertation is divided into the description, evaluation and planning of PSS. The system description is carried out by developing a taxonomy and defining the design options for production supply. The contents are published as VDI-Guideline 5587. An entity-relationship model illustrates the structure, relationships and planning-relevant properties of the system elements and promotes understanding of and communication about PSS. The numerous possible requirements for PSS are documented in a comprehensive catalog of objectives, which considers various target dimensions. A central element of the dissertation is an evaluation model that takes into account monetary and non-monetary criteria and enables a differentiated evaluation of PSS. The model can be used to evaluate and analyze existing systems and to select a planning variant. It is integrated into the planning guide for PSS. This guide is to be used in the rough planning phase and consists of seven planning steps in order to create PSS that meet the requirements placed on them.
The evaluation model and the planning guide were applied in a case study in a medium-sized company, where significant cost reductions and improvements in material flows were documented. Interviews with proven experts confirm the scientific and entrepreneurial relevance of the work results, which can be applied across all industries.
The dissertation provides fundamental groundwork and impetus for the further development of scientific and practical approaches in production supply planning and evaluation
Automatisierung von Empfehlungssystemen: Fortschritte bei Algorithmusauswahl, Bewertung und Nachhaltigkeit
No full textThe rapid digitalization of the information age has led to challenges such as information overload, underscoring the critical role of Recommender Systems (RecSys) in organizing and delivering relevant content. Despite their ubiquity, the development of RecSys remains resource-intensive and labor-intensive. Additionally, the environmental impact of RecSys has emerged as a critical yet underexplored concern as modern approaches increasingly employ resource-intensive architectures. The field of Automated Machine Learning (AutoML) has demonstrated significant success in streamlining model development for general machine learning tasks, lowering the barrier of entry for researchers and practitioners by reducing necessary manual labor and expertise while increasing performance. Motivated by their advancements, we investigate the transfer of AutoML principles to RecSys in the framework of Automated Recommender Systems (AutoRecSys) in this dissertation. We focus on solving the automated algorithm selection problem, due to its high relevance for efficient RecSys modeling, and address significant optimization confounders in AutoRecSys. We propose an algorithm selection framework that addresses dataset limitations through community-contributed metadata while offloading computationally intensive meta-learning tasks to server-side components for efficient client-side deployment. Additionally, we provide the first analysis of algorithm selection for ranking prediction tasks with implicit feedback datasets, showing the correlation with ground-truth performance for traditional and AutoML-based meta-models. We quantify the impact of randomness during data splitting, showing that it leads to significant performance deviations unless mitigated through repeated experiments or cross-validation. Furthermore, we analyze the suitability of top-N metrics for optimization, showing that their use in validation does not introduce confounding effects in RecSys evaluation. This reinforces the reliability of conventional evaluation methodologies. Beyond automation and evaluation concerns, we conduct the first comprehensive investigation of the environmental impact of RecSys experiments. We reveal that modern deep learning-based papers emit 42 times more CO2 equivalents than papers employing traditional approaches. Furthermore, we introduce a software tool for measuring and reporting energy consumption in RecSys experiments, enabling researchers to understand and report their environmental impact. Finally, we synthesize our contributions and demonstrate that automated algorithm selection can amortize its environmental impact through widespread adoption. To summarize, this dissertation lays the foundation for future research in algorithm selection through the AutoRecSys framework, further reduces uncertainties for RecSys evaluation methodologies, and helps the RecSys community to understand and address their environmental impact for a sustainable future.Die Digitalisierung des Informationszeitalters führt zu Herausforderungen wie Informationsüberflutung, was die kritische Funktion von Empfehlungsdiensten (engl. recommender systems, kurz RecSys) bei der Organisation und Bereitstellung relevanter Inhalte verdeutlicht. Trotz ihrer Allgegenwärtigkeit bleibt die Entwicklung von RecSys ressourcen- und arbeitsintensiv. Zudem ist die Umweltauswirkung von RecSys zu einem wichtigen, aber noch unzureichend erforschten Thema geworden, da moderne Ansätze zunehmend ressourcenintensive Architekturen verwenden. Das Forschungsgebiet des automated machine learning (AutoML) hat bedeutende Erfolge bei der Vereinfachung der Modellentwicklung gezeigt, indem es den manuellen Aufwand und erforderliche Expertise reduziert und dabei die Leistung steigert. Dadurch angeregt untersucht diese Dissertation die Übertragung von AutoML-Prinzipien auf RecSys im Rahmen von automated recommender systems (AutoRecSys). Da die Algorithmusauswahl für effizientes RecSys-Modellieren besonders relevant ist, konzentrieren wir uns auf die Lösung dieses Problems und behandeln dabei wesentliche Störfaktoren für die Optimierung in AutoRecSys. Wir schlagen ein Algorithmusauswahl-Framework vor, das Datenbegrenzungen durch gemeinschaftlich beigetragene Metadaten überwindet und rechenintensive Aufgaben an Serverkomponenten auslagert, um eine effiziente Bereitstellung zu ermöglichen. Zudem liefern wir die erste Analyse der Algorithmusauswahl für Ranglistenvorhersagen mit impliziten Feedback-Datensätzen und zeigen die Korrelation mit der Leistung für traditionelle und AutoML-basierte Meta-Modelle. Wir quantifizieren den Einfluss von Zufälligkeit bei der Datenaufteilung und zeigen, dass diese zu erheblichen Leistungsabweichungen führt, sofern sie nicht durch wiederholte Experimente oder Kreuzvalidierung behandelt wird. Zudem analysieren wir die Eignung von Top-N-Metriken für die Optimierung und zeigen, dass deren Verwendung keine verzerrenden Effekte in der RecSys-Evaluation bewirkt. Dies bekräftigt die Zuverlässigkeit konventioneller Evaluationsmethoden. Neben Automatisierungs- und Evaluationsfragen führen wir die erste Untersuchung der Umweltauswirkungen von RecSys-Experimenten durch. Wir zeigen, dass moderne Publikationen 42-mal mehr CO2-Äquivalente ausstoßen als Arbeiten mit traditionellen Ansätzen. Zudem stellen wir ein Software-Tool zur Messung des Energieverbrauchs von RecSys-Experimenten vor, das Forschenden ermöglicht, ihre Umweltauswirkungen zu verstehen und zu kommunizieren. Abschließend fassen wir unsere Beiträge zusammen und zeigen, dass automatisierte Algorithmusauswahl ihre Umweltbelastung durch breite Anwendung kompensieren kann.
Zusammenfassend legt diese Dissertation die Grundlage für zukünftige Forschung zur Algorithmusauswahl mit AutoRecSys, reduziert Unsicherheiten in der Evaluation und unterstützt die Forschungsgemeinschaft beim Verstehen und Angehen der Umweltauswirkungen von RecSys-Experimenten für eine nachhaltige Zukunft
Nicht-Markovsche Dynamik offener Quantensysteme und ihre Anwendung
No full textIn dieser Dissertation untersuchen wir nicht-Markovsche Dynamiken in verschiedenen physikalischen Szenarien, die in bosonische und endliche Spin-Bäder kategorisiert sind, und wenden diese Erkenntnisse auf die metrologische Aufgabe der Quantenthermometrie und das grundlegende Problem der Quantenspeicherdetektion an.
Zunächst erforschen wir die nicht-Markovsche Dynamik von Few-Level-Riesenatomen, die an akustische Oberflächenwellen (SAWs) gekoppelt sind, wobei der Schwerpunkt auf Zwei-Level- und -Typ-Drei-Level-Systemen liegt. Mit Single-Phonon-Anregung bei Temperatur Null leiten wir analytische Lösungen ab, die starke Gedächtniseffekte aufgrund von phonon-vermitteltem Selbst-Feedback zeigen. Bei Ausdehnung auf endliche Temperaturen untersuchen wir numerisch die thermischen Effekte auf das nicht-Markovsche Verhalten in Zwei-Level-Atomen. Durch den Vergleich der Ergebnisse bei Temperatur Null mit analytischen Lösungen identifizieren wir den am besten geeigneten numerischen Ansatz zur Simulation der Dynamik bei endlicher Temperatur und zeigen, dass die Nicht-Markovianität bei endlichen Temperaturen bestehen bleiben kann.
Als nächstes wenden wir die Lösungen für die nicht-Markovsche Dynamik in Zwei- und Drei-Level-Riesenatomsystemen auf die Quantenspeicherdetektion an. Wir führen ein Kriterium für die Quantenhaftigkeit des Gedächtnisansatzes ein, das auf dem klassischen Gedächtniskonzept basiert und es als konvexes Optimierungsproblem neu formuliert. Zusätzlich schlagen wir eine Metrik vor, um den Unterschied zwischen dem für einen Prozess erforderlichen Quantengedächtnis und seinem klassischen Gegenstück zu quantifizieren. Dieser Rahmen kann auf hochdimensionale Systeme jenseits von Qubits oder Zwei-Level-Atom-Systemen erweitert werden. Mit der vorgeschlagenen Methode zeigen wir, dass das klassische Gedächtnis die spontane Emission in diesen Systemen bei Temperatur Null nicht beschreiben kann. Schließlich skizzieren wir einen experimentellen Ansatz zur Detektion von Quantengedächtnis in Riesenatomen.
Im weiteren Verlauf verlagern wir den Fokus auf die nicht-Markovsche reine Dephasierung eines einzelnen oder weniger zentraler Spins, die in ein endliches Spin-Bad eingebettet sind, und führen ein Spin-Gitter-Modell ein, um die reduzierte Systemdynamik effizient zu simulieren. Wir beginnen mit der Untersuchung des Verhaltens eines einzelnen Spins in unkorrelierten und korrelierten Spin-Bädern und untersuchen nicht-Markovsche Dephasierungseffekte. Das Modell wird auch auf zwei Fallstudien angewendet: verschränkte Spins in einem 2D-Gitter, die mit einer sich entwickelnden Umgebung interagieren, und zwei Kernspins in einem organischen Molekül, die mit einem thermischen Spin-Bad bei endlichen Temperaturen für NMR-Anwendungen interagieren.
Schließlich verwendeten wir das Spin-Gitter-Modell, um die nicht-Markovsche Phasenthermometrie zu untersuchen, eine nicht-invasive Methode, bei der eine Quantenspinsonde mit einem System, wie einem 2D-Ising-Spin-Gitter, interagiert, um seine Temperatur durch Beobachtung der Dephasierungsdynamik abzuschätzen. Da das betrachtete System einen Phasenübergang durchläuft, bewerteten wir die thermometrische Leistung in der Nähe des Phasenübergangs unter Verwendung der Quanten-Fisher-Information (QFI), um die Präzision zu quantifizieren.In this thesis, we investigate non-Markovian dynamics across various physical scenarios, categorized into bosonic and finite spin baths, and apply these findings to the metrological task of quantum thermometry and the fundamental problem of quantum memory detection.
To begin, we explore non-Markovian dynamics of few-level giant atoms coupled to surface acoustic waves (SAWs), focusing on two-level and -type three-level systems. With single-phonon excitation at zero temperature, we derive analytical solutions showing strong memory effects due to phonon-mediated self-feedback. Extending to finite temperatures, we study numerically thermal effects on non-Markovian behavior in two-level atoms. Comparing zero-temperature results with analytical solutions, we identify the most suitable numerical approach for simulating the dynamics at finite temperatureand show that non-Markovianity can persist at finite temperatures.
Next, we apply the solutions for non-Markovian dynamics in two- and three-level giant atom systems to quantum memory detection. We introduce a criterion for the quantumness of memory approach based on the classical memory concept, reformulating it as a convex optimization problem. Additionally, we propose a metric to quantify the difference between the quantum memory required for a process and its classical memory counterpart. This framework can be extended to high-dimensional systems beyond qubits or two-level atom systems. By using the proposed method, we demonstrate that classical memory fails to describe spontaneous emission in these systems at zero temperature. Finally, we outline an experimental approach for detecting quantum memory in giant atoms.
Moving forward, we shift the focus on non-Markovian pure dephasing of a single or few central spins embedded in a finite spin bath, introducing a spin-lattice model to efficiently simulate the reduced system dynamics.
We begin by investigating a single spin's behavior in uncorrelated and correlated spin baths, examining non-Markovian dephasing effects. The model is also applied to two case studies: entangled spins in a 2D lattice interacting with an evolving environment, and two nuclear spins in an organic molecule interacting with a thermal spin bath at finite temperatures for NMR applications.
Lastly, we employed the spin-lattice model to investigate non-Markovian phase thermometry, a non-invasive method in which a quantum spin probe interacts with a system, like a 2D Ising spin lattice, to estimate its temperature by observing the dephasing dynamics. As the system under consideration undergoes a phase transition, we evaluated the thermometric performance in the vicinity of the phase transition, utilizing the quantum Fisher information (QFI) to quantify the precision
Integration von Lernkontext und Erklärbarkeit in Bildungsempfehlungssystemen unter Verwendung des Markov-Entscheidungsprozesses über Wissensgraphen
No full textHuman learning is a complex and multi-dimensional process, governed by a wide range of factors that describe the individual differences between learners, and the contexts in which learning happens. Since these differences influence how learners respond to the learning content and activities, it is essential for an effective learning process to consider these factors when generating learning recommendations. Context-aware recommender systems (CARS) have offered a promising solution for tailoring learning experiences to the specific learning contexts. However, existing CARS often fall short in comprehensively integrating complex contextual data into their reasoning. Moreover, complex CARS face challenges in providing transparent and explainable recommendations to learners and educators, especially when they have no technical background, which hinders CARS’s effectiveness and acceptance among these educational stakeholders.
This thesis addresses these challenges by developing a novel method for building Context-Aware Recommendations and Explainability through Knowledge Graphs (CARExKG). Structurally, the CARExKG method employs knowledge graphs to represent contextual learning factors and their interdependencies, capturing the dynamic interplay between various contextual variables in complex learning settings. Algorithmically, CARExKG employs a Markov decision process over knowledge graphs, featuring a context-sensitive reward function tailored to enable the RS to generate contextualized learning paths across various learning settings.
In order to ensure human oversight, reduce stakeholders’ resistance to recommendations, and encourage collaborative human-AI decision-making, CARExKG further incorporates an explainability framework, utilizing large language models and expert-input from pedagogy specialists, to generate user-centric explanations, supporting learner’s understanding of the reasoning behind generating the recommended path, and enhancing their decision-making ability and ownership of their educational journey.
To evaluate the proposed method, a set of experiments was designed to measure the effectiveness of the knowledge graphs, the recommendation algorithm, and the explainability framework. CARExKG is then evaluated as a complete system through a real-world user study with nursing staff in two elderly homes, where a complex learning scenario was constructed to mimic the multi-dimensional challenges they face in their profession. Evaluation results have demonstrated the effectiveness of the proposed approach for constructing the knowledge graph and the reasoning of the RS. Results also show the ability of the CARExKG method to improve learner satisfaction and outcomes in vocational education and training settings. Experiment findings underscore the importance of the interdisciplinary approach followed in designing CARExKG, which combines artificial intelligence, educational technology, and pedagogy to create adaptive, explainable, and learner-centered educational tools.Menschliches Lernen ist ein komplexer und multidimensionaler Prozess, der von einem breiten Spektrum von Faktoren bestimmt wird, die die individuellen Unterschiede zwischen den Lernenden und die Kontexte, in denen Lernen stattfindet, beschreiben. Da diese Unterschiede Einfluss darauf haben, wie die Lernenden auf die Lerninhalte und -aktivitäten reagieren, ist es unerlässlich, diese Faktoren bei der Erstellung von Lernempfehlungen zu berücksichtigen. Context Aware Recommender Systems (CARS) bieten eine vielversprechende Lösung für die Anpassung von Lernerfahrungen an den jeweiligen Lernkontext. Die bestehenden CARS sind jedoch oft nicht fähig, komplexe kontextbezogene Daten umfassend in ihre Überlegungen einzubeziehen. Darüber hinaus stehen komplexe CARS vor der Herausforderung, transparente und erklärbare Empfehlungen zu bieten, vor allem, wenn Lernenden und Lehrenden keinen technischen Hintergrund haben, was die Effektivität und Akzeptanz von CARS für sie beeinträchtigt.
Diese Dissertation befasst sich mit diesen Herausforderungen, indem sie eine neuartige Methode zur Erstellung kontextbezogener Empfehlungen und Erklärbarkeit durch Wissensgraphen (CARExKG) entwickelt. Strukturell verwendet CARExKG Wissensgraphen, um kontextuelle Lernfaktoren und deren Abhängigkeiten darzustellen und das dynamische Zusammenspiel zwischen verschiedenen kontextuellen Variablen in komplexen Lernumgebungen zu erfassen. Algorithmisch verwendet CARExKG einen Markov-Entscheidungsprozess über die Wissensgraphen, mit einem speziellen Design einer kontextsensitiven Reward-Funktion, die es dem RS ermöglicht, kontextualisierte Lernpfade in verschiedenen Lernumgebungen zu generieren.
Um die menschliche Kontrolle zu gewährleisten, den Widerstand der Beteiligten gegenüber den Empfehlungen zu verringern und die kollaborative Mensch-KI-Entscheidungsfindung zu fördern, beinhaltet CARExKG darüber hinaus ein Erklärungskonzept, das große Sprachmodelle und den Experteninput von Pädagogen nutzt, um nutzerzentrierte Erklärungen zu generieren, die das Verständnis der Lernenden für die Argumentation hinter der Generierung des empfohlenen Pfads unterstützen und ihre Entscheidungsfähigkeit und Eigenverantwortung für ihre Bildungsreise verbessern.
Um CARExKG zu evaluieren, wurde eine Reihe von Experimenten entwickelt, um die Effektivität der Wissensgraphen, des Empfehlungsalgorithmus und des Erklärbarkeitssystems zu messen. CARExKG wurde dann als komplettes System durch eine Nutzerstudie mit Pflegepersonal in zwei Altenheimen evaluiert, in der ein komplexes Lernszenario konstruiert wurde, um die multidimensionalen Herausforderungen, mit denen sie in ihrem Beruf konfrontiert sind, zu imitieren. Die Evaluierungsergebnisse haben die Effektivität des vorgeschlagenen Ansatzes für die Konstruktion des Wissensgraphen und die Logik des RS gezeigt. Die Ergebnisse zeigen auch die Fähigkeit der CARExKG-Methode, die Zufriedenheit der Lernenden und die Ergebnisse in der beruflichen Weiterbildung zu verbessern
Differenzielle Querschnittsmessung der ̄-Produktion und Interpretation im Kontext der effektiven Feldtheorie unter Verwendung der ATLAS-Detektordaten bei √= 13 TeV
No full textThe study of the production of top quark pairs in association with a photon (̄ ) probes the top-photon coupling (). This coupling is sensitive to new particle interactions Beyond the Standard Model (BSM) physics. The measurement of the absolute differential cross-section in the single-lepton channel of ̄ process is performed in a fiducial region at the particle level. The measurement is carried out using the Run-2 data collected at the ATLAS detector of the Large Hadron Collider (LHC) that corresponds to the centre-of-mass-energy of √ = 13 TeV at the instantaneous luminosity of 139 fb⁻¹. This measurement is employed to study the sensitivity of the ̄ process BSM by using the effective field theory (EFT) framework. The fiducial region is defined by requiring one lepton ( or ), one photon, and at least four jets where one of them is identified as a b-jet. The measurement is performed as a function of the transverse momentum of the photon (T()), and the absolute pseudorapidity of the photon (|()|). The EFT framework used for the interpretation provides higher-order operators that parameterize the potential deviations from the Standard Model (SM). Three of these are considered here for the ̄ process: , , and to model the sensitivity of the process. The photon T in the ̄ process is sensitive to these operators, therefore the cross-section measurement study as a function of is exploited in the EFT interpretation. The estimated 1 limits for the EFT operators , , and are [-0.82, 1.02], [-0.24, 0.14], and [-0.46, 0.97], respectively.Die Untersuchung der Produktion von Top-Quark-Paaren in Verbindung mit einem Photon (̄ ) untersucht die Top-Photon-Kopplung (). Diese Kopplung ist empfindlich gegenüber neuen Teilchenwechselwirkungen jenseits des Standardmodells (BSM-Physik). Die Messung des absoluten Differentialquerschnitts im Einzel-Lepton-Kanal des ̄-Prozesses wird im Fiducialbereich auf Teilchenebene durchgeführt. Die Messung wird anhand der Run-2-Daten durchgeführt, die am ATLAS-Detektor des Large Hadron Collider (LHC) gesammelt wurden und einer Schwerpunktsenergie von √ = 13 TeV bei einer momentanen Luminosität von 139 fb⁻¹ entsprechen. Diese Messung wird verwendet, um die Empfindlichkeit des ̄-Prozesses BSM unter Verwendung des Rahmens der effektiven Feldtheorie (EFT) zu untersuchen. Der Fiducial-Bereich wird definiert durch die Anforderung eines Leptons ( oder ), eines Photons und mindestens vier Jets, von denen einer als b-Jet identifiziert wird. Die Messung wird als Funktion des transversalen Impulses des Photons (T()) und der absoluten Pseudorapidität des Photons (|()|) durchgeführt. Der für die Interpretation verwendete EFT-Rahmen liefert Operatoren höherer Ordnung, die die potenziellen Abweichungen vom Standardmodell (SM) parametrisieren. Drei davon werden hier für den ̄-Prozess berücksichtigt: , und zur Modellierung der Empfindlichkeit des Prozesses. Das Photon T im ̄-Prozess ist empfindlich gegenüber diesen Operatoren, daher wird die Untersuchung der Querschnittsmessung als Funktion von in der EFT-Interpretation genutzt. Die geschätzten 1-Grenzwerte für die EFT-Operatoren , und sind [-0,82, 1,02], [-0,24, 0,14], and [-0,46, 0,97]
Bayessche Parameterschätzung und Thermodynamik in offenen Quantensystemen
No full textThe trend towards miniaturised devices has resulted in systems small enough to be governed by quantum mechanics. The goal of these systems is to perform thermodynamic tasks like refrigeration or work extraction, which requires a description of how they interact with their environment. This has spurred the development of quantum thermodynamics. However, achieving the desired experimental control requires precise knowledge of the system and highly accurate measurements. This thesis explores these two aspects of open quantum systems from a theoretical perspective. First, we explore how Bayesian techniques can be applied to the sensing of environmental parameters of a quantum system to find better estimation protocols, particularly in situations with little data, and where adaptive strategies are allowed. The advantages and drawbacks of various Bayesian estimation approaches are explored. These methods are specifically examined with respect to the role of prior distributions, estimators, and cost functions in achieving accurate estimates. The primary example involves qubit thermometry, where a two-level probe interacts with an environment. This example highlights the effectiveness of Bayesian estimation for small data sets and quantifies the scaling of the accuracy with number of measurements using Bayesian bounds. The sensitivity of probes based on environmental interactions is also analysed. The estimation of rate parameters is studied with particular emphasis on how the specification of the prior information can influence the entire estimation strategy.
Next, another example of thermometry is considered using continuously monitored probes. An adaptive strategy is proposed which showcases the benefits of Bayesian estimation. We also study this scenario in the case when the measurement signal includes noise and finite detector bandwidth. Finally, we turn to our second aspect of open quantum systems and study work extraction from an open quantum system. Here, we investigate how collective effects arising from the interaction of permutationally invariant particles with their environment affect work extraction. The analysis includes various models of work extraction, including energy output in steady states, work done against dissipative loads, and power output when coupled to a driving field.Der Trend zu miniaturisierten Bauteilen hat zu Systemen geführt, die so klein sind, dass sie von quantenmechanischen Effekten dominiert werden. Die Systeme interagieren mit ihrer Umgebung, um thermodynamische Aufgaben wie Kühlung oder Arbeitsentnahme durchzuführen. Dadurch wurde die Entwicklung der Quantenthermodynamik vorangetrieben. Genaue Kenntnisse über das System und hochgenaue Messungen sind erforderlich um die gewünschte experimentelle Kontrolle zu erreichen. Diese beiden Aspekte offener Quantensysteme werden in dieser Arbeit aus einer theoretischen Perspektive untersucht. Zunächst wird untersucht, wie insbesondere in Situationen mit wenigen Datenpunkten und wenn adaptive Strategien erlaubt sind, mit bayessche Techniken bessere Schätzprotokolle für die Bestimmung Umgebungsparameter eines Quantensystems gefunden werden können. Das wichtigste Beispiel ist die Qubitthermometrie, bei der eine Zweiebenenprobe mit einer Umgebung interagiert. Dieses Beispiel verdeutlicht die Wirksamkeit der bayesschen Schätzung für kleine Datensätze und ermittelt unter Verwendung bayesscher Grenzen wie die Genauigkeit mit der Anzahl der Messungen skaliert. Ebenfalls wird die auf Wechselwirkungen mit der Umgebung beruhende Sensitivität von Proben analysiert. Die Schätzung von Ratenparametern wird mit besonderem Augenmerk auf den Einfluss der Spezifikation der Vorinformationen auf die gesamte Schätzstrategie untersucht. Als nächstes wird ein weiteres Beispiel der Thermometrie betrachtet, diesmal unter Verwendung von kontinuierlich überwachten Proben. Eine adaptive Strategie die die Vorteile der bayesschen Schätzung verdeutlicht wird vorgeschlagen. Das Szenario wird weiterhin für den Fall, dass das Messsignal Rauschen und eine begrenzte Detektorbandbreite enthält untersucht. Anschließend wenden wir uns dem zweiten Aspekt zu und untersuchen die Extraktion von Arbeits aus einem offenen Quantensystem. Hier untersuchen wir, wie kollektive Effekte, die sich aus der Wechselwirkung von permutationsinvarianten Teilchen mit ihrer Umgebung ergeben, die Arbeitsextraktion beeinflussen. Die Analyse umfasst verschiedene Modelle der Extraktion von Arbeit, einschließlich der Energieabgabe an stationären Zustände, der Arbeit die gegen dissipative Kräfte geleistet wird, und der Leistungsabgabe bei Kopplung an ein Antriebsfeld
Kolonialität und Geschlecht. Eine rekonstruktive Analyse der Erfahrungen peruanischer Aktivistinnen im Kontext von Zwangssterilisationen
No full textIn den 1990er-Jahren wurden in Peru bis zu 300.000 indigene, vorwiegend auf dem Land lebende Frauen im Rahmen einer Gesundheitsreform zwangssterilisiert. Seit fast dreißig Jahren gründen diese betroffenen Frauen Organisationen, um sich selbst zu organisieren. Ein zentrales Ziel dieser Selbsthilfeinitiativen ist es, die erlittene staatliche Gewalt sichtbar zu machen, ihre Folgen zu benennen und Entschädigungen zu fordern. Die vorliegende soziologische Studie beleuchtet die Erfahrungen dieser zivilgesellschaftlich engagierten Frauen in Peru, die sich seit drei Jahrzehnten für ein würdiges Gedenken und die Verantwortungsübernahme des Staates einsetzen.
Aus einer dekolonialen und geschlechtertheoretischen Perspektive werden die vielschichtigen gesellschaftlichen Dynamiken beleuchtet, die zur staatlichen Gewalt führten und weiterhin fortwirken. Auf Grundlage empirisch-qualitativer Analysen macht die Studie einerseits deutlich, wie ungleiche Geschlechterverhältnisse, struktureller Rassismus und reproduktive staatliche Gewalt unter einem autoritären Regime zusammenwirken. Andererseits wird deutlich, dass eine aktive und vernetzte Zivilgesellschaft konstitutiv für eine demokratische Gesellschaft ist – ein innovativer Beitrag zu einem Thema von internationaler Relevanz, welches in Zeiten globaler politischer und gesellschaftlicher Herausforderungen von höchster Aktualität ist
Deutsch für Schülerinnen und Schüler mit Zuwanderungsgeschichte
No full textRund ein Drittel der Schüler:innen in Deutschland haben eine Zuwanderungsgeschichte (vgl. Statistisches Bundesamt 2022). Deshalb ist ein sprachbildender Unterricht, welcher sprachliches und fachliches Lernen systematisch verbindet, in allen Fächern und Schulformen essenziell und wurde 2009 gesetzlich in der Lehramtsausbildung verankert (vgl. LABG 2009). Dieser Sammelband stellt das Modul „Deutsch für Schülerinnen und Schüler mit Zuwanderungsgeschichte“ an der Universität Siegen vor, welches angehende Lehrkräfte ausbildet, um dieser Herausforderung professionell begegnen zu können. Dabei stellen (ehemalige) Dozierende, Lehrkräfte und Forschende aus den Bereichen Sprachbildung, Mehrsprachigkeit und Deutsch als Zweitsprache konkrete Umsetzungsvorschläge und Materialien für Seminare, theoretische Hintergründe, angeknüpfte Forschungsprojekte/-ergebnisse sowie einen vertiefenden Weiterbildungsstudiengang und ein vergleichbares Modul an der Universität zu Köln vor. Diese sollen u.a. Lehrende an Hochschulen, Lehrkräfte an allen Schulformen und in der Erwachsenenbildung sowie Forschende beim gemeinsamen Ziel, kulturelle und sprachliche Vielfalt als Bereicherung in der Gesellschaft umzusetzen, unterstützen
Trump, populism, and social media
No full textThis essay explores Donald Trump’s political communication as a paradigmatic shift toward media-driven populism. Focusing on Twitter, it examines how Trump bypassed traditional institutional channels, using social media for direct and polarizing engagement. Drawing on thinkers like Habermas, Luhmann, and Schmitt, the article argues that Trump’s strategy reflects a logic of “occasio” rather than “causa”: seizing moments for maximum visibility rather than pursuing consistent policy. Popularity—measured through likes, retweets, and reactions—becomes the sole currency of political legitimacy. The study challenges conventional distinctions between supporters and critics, showing how both contribute to Trump’s media presence. It concludes that Trump’s approach marks a lasting transformation of the public sphere: from deliberative reason to disruption, affect, and spectacle.Dieser Essay untersucht Donald Trumps politische Kommunikation als Ausdruck eines mediengetriebenen Populismus. Im Mittelpunkt steht seine Nutzung von Twitter, über das er etablierte institutionelle Kanäle umgeht und stattdessen auf direkte, polarisierende Kommunikation setzt. In Auseinandersetzung mit Denkern wie Habermas, Luhmann und Schmitt zeigt der Beitrag, dass Trumps Strategie weniger auf konsistenter Sachpolitik („Causa“) beruht, sondern vielmehr einer Logik der „Occasio“ folgt – dem Ergreifen günstiger Gelegenheiten zur Maximierung öffentlicher Aufmerksamkeit. Politische Legitimität bemisst sich dabei allein an Popularität, gemessen in Likes, Retweets und Reaktionen. Der Beitrag hinterfragt die übliche Trennung zwischen Anhängern und Gegnern, indem er zeigt, wie beide Lager Trumps mediale Präsenz verstärken. Es wird deutlich: Trumps Kommunikationsstil steht für eine tiefgreifende Transformation der Öffentlichkeit – weg von rationaler Auseinandersetzung hin zu Disruption, Affekt und Spektakel
Zur Bedeutung von Information in der Online-Entscheidungsfindung
No full textBei Entscheidungsprozessen spielen die verfügbaren Informationen eine entscheidende Rolle. Bei Online-Problemen werden Informationen nacheinander offengelegt und es müssen schrittweise Entscheidungen getroffen werden. Frühere Entscheidungen können spätere Entscheidungen beeinflussen und einschränken. Diese Arbeit widmet sich den Auswirkungen von Informationen bei zwei Online-Problemen: Bin-Stretching und dem Buffer-Minimierungsproblem mit Konflikten. Zur Bewertung von getroffenen Entscheidungen ziehen wir das Kompetitivitätsverhältnis heran – ein Worst-Case-Maß der kompetitiven Analyse. Dieses setzt das Ergebnis einer Entscheidung, welche unter Unsicherheit getroffen wurde, ins Verhältnis zum Ergebnis einer optimalen Entscheidung, welche mit kompletten Informationen im Nachhinein getroffen werden kann. Für beide Probleme untersuchen wir die Auswirkungen auf das Kompetitivitätsverhältnis, wenn der Wert der optimalen Entscheidung als Skala bereitgestellt wird.
Bin-Stretching ist eine Online-Variante des Problems der Lastverteilung, bei der Gegenstände nacheinander ankommen. Für jeden einzelnen Gegenstand muss – ohne Kenntnis über zukünftige Gegenstände – die unwiderrufliche Entscheidung getroffen werden, in welchen Behälter der Gegenstand gepackt wird. Das Ziel ist es, die höchste Füllmenge aller Behälter zu minimieren. Es ist einzig die Information gegeben, dass Behälter der Größe Eins ausreichen, um alle Gegenstände zu verpacken. Wir stellen einen komplexen Algorithmus vor, der – solange ausreichend viele Behälter verfügbar sind – die natürliche Schranke von 3/2 durchbricht. Unser Algorithmus arbeitet in zwei Phasen und für die Analyse kombinieren wir sorgfältig Größen- und Gewichtsargumente. Darüber hinaus gewinnen wir nützliche Einblicke in die allgemeinen Ursprünge der Schwierigkeiten bei Bin-Stretching. Diese gehen über die Erkenntnisse aus den computergestützten Ergebnissen für kleinere Anzahlen an Behältern hinaus. Wir stellen verschiedene Beschränkungen für die Konstruktion effektiver Algorithmen vor und geben Ansätze für zukünftige Verbesserungen.
Das Buffer-Minimierungsproblem mit Konflikten ist ein Online-Planungsproblem, bei dem Maschinen eine gemeinsame Ressource teilen. Auf den einzelnen Maschinen treffen Aufträge nacheinander ein. Sobald ein Auftrag ankommt, wird seine Last im Eingabepuffer der Maschine gespeichert. Wenn eine Maschine läuft und einen Auftrag ausführt, reduziert sich die Last im Puffer. Zwischen Maschinen können jedoch Konflikte auftreten, die gleichzeitiges Ausführen verhindern. Diese werden durch einen Konfliktgraphen modelliert. Eine Kante zwischen zwei Maschinen bedeutet, dass diese nicht gleichzeitig Aufträge ausführen können. Unter diesen Beschränkungen ist das Ziel die Erstellung eines gültigen Ablaufplans, der die maximale Last minimiert, die jemals in einem einzelnen Puffer gespeichert wird. Zu Beginn ist einzig die Information verfügbar, dass Puffer der Größe Eins ausreichen, um alle Aufträge zu bearbeiten. Wir betrachten das Problem im kürzlich eingeführten Flussmodell, bei dem die Lasten als kontinuierlicher Fluss statt in Blöcken ankommen. Für dieses Modell präsentieren wir das exakte Kompetitivitätsverhältnis für alle Konfliktgraphen mit vier Knoten und für die Familie von vollständigen Graphen. Bezüglich vollständig bipartiter Graphen erhalten wir nahezu übereinstimmende Schranken.When making decisions, the available information plays a crucial role. In online problems, decisions must be made sequentially as information is revealed over time. This means that early choices can influence or limit future options. In this thesis we examine the impact of information in two online problems: bin stretching and the buffer minimization problem with conflicts. To assess the quality of a decision, we apply the worst-case measure known as the competitive ratio, a tool of competitive analysis. It compares the outcome of an online decision—made with partial information—to an optimal decision with complete knowledge in hindsight. For both problems we study the effect of providing the value of the optimal offline solution’s outcome in advance on the competitive ratio. The value serves as a reference scale.
Bin stretching is an online load balancing problem in which items arrive one by one. For each item we must irrevocably decide in which bin we pack the item, without knowledge of future items. Given the information that all items can be packed in unit-sized bins, the goal is to minimize the maximum load over all bins. We propose a sophisticated two-phase algorithm that surpasses the natural barrier of 3/2, as long as sufficiently many bins are available. The rigorous analysis of its Performance consists of an intricate mixture of size and weight arguments. Further contributions include valuable insights into the problem’s difficulties, extending beyond the known results for smaller numbers of bins, which are based on computer search. We present various structural design constraints that any effective algorithm must adhere to and outline directions for future improvements.
The buffer minimization problem with conflicts is an online scheduling Problem in which machines share a common resource. Jobs arrive sequentially but separately on the machines. Once a job is revealed its load is stored in the machine’s Input buffer. Processing a job reduces the buffer load, but conflicts between machines restrict simultaneous execution. These conflicts are modeled by a conflict graph, where an edge between a pair of machines indicates a conflict. The objective is to provide a valid schedule that respects the conflict constraints with the goal of minimizing the maximum load that is ever stored in a single buffer. A priori, the algorithm is given the information that unit-sized buffers are sufficient to process the complete input. We study the problem in the recently introduced flow model, where loads arrive as continuous flow rather than in discrete blocks. In this setting, we present tight bounds for all conflict-graphs with four vertices, except the path which has previously already been resolved, and for the family of complete graphs. For complete bipartite graphs, we recover almost tight bounds