Die Arbeit untersucht Facetten professioneller Handlungskompetenz angehender Techniklehrkräfte in den Bereichen Elektrotechnik und Bildung für nachhaltige Entwicklung (BNE). Neben der Erfassung von Facetten wie dem Fachwissen und fachdidaktischen Wissen in der Elektrotechnik, werden qualitative Interviews zur Rekonstruktion elektrotechnik- und BNE-bezogener Deutungen sowie Professionalisierungserfahrungen ausgewertet und die Bedeutung von Lehr-Lern-Laboren (LLL) analysiert. Die Ergebnisse zeigen, dass LLL-Erfahrungen dazu beitragen können, Distanz zu reduzieren und Elektrotechnik als unterrichtlich bearbeitbaren Gegenstand zu reflektieren. Auch in den Wissenstests schneidet die LLL-Gruppe in der Elektrotechnik besser ab. Für die BNE zeigt sich ein anders gelagertes Professionalisierungsproblem. Die Studierenden erkennen die hohe Relevanz von Nachhaltigkeit an, verfügen jedoch nicht durchgängig über ein gesichertes Konzeptverständnis, wodurch Hinweise für Interventionen ableitbar werden.
This study examines professional competence of pre-service technology teachers in the fields electrical engineering and Education for Sustainable Development (ESD). In addition to assessing facets such as content knowledge in electrical engineering, qualitative interviews are analysed to reconstruct interpretations related to electrical engineering and ESD, as well as experiences of professional development. Particular attention is given to the role and significance of teaching-learning laboratories (TLLs). The findings indicate that TLLs can help reduce perceived distance from electrical engineering and encourage students to reflect on the subject as a manageable area. The TLL group also performs better in the electrical engineering knowledge tests. In the case of ESD, although students acknowledge the relevance of sustainability, they do not consistently demonstrate a well-founded conceptual understanding. These findings provide indications for the design of interventions for ESD.
This thesis establishes exciton-polaritons in transition metal dichalcogenide (TMD) structures as a versatile platform for the emulation of quantum many-body systems via integration of TMD monolayers into tunable open microcavities and engineering of complex photonic landscapes through FIB-milling. Key milestones include the realization of 1D SSH lattices, enabling the identification of topological defect states and the direct quantification of the Zak-phase. Furthermore, the work explores moiré heterostructures, revealing Mott insulator states and correlated magnetism on triangular spin lattices, characterized by giant g-factors. Ultimately, this work demonstrates that artificial polariton lattices provide a highly controllable solid-state environment to investigate topology, many-body physics, and the interplay between lattice-ordered charges and spins under strong light-matter coupling.
Diese Dissertation etabliert Exzitonen-Polaritonen in Übergangsmetall-Dichalkogenid-Strukturen (TMD) als vielseitige Plattform für die Emulation von Quanten-Vielteilchensystemen. Realisiert durch die Integration von TMD-Monolagen in abstimmbare offene Mikrokavitäten sowie das Design komplexer photonischer Einschlusspotentiale mittels FIB-Strukturierung. Wichtige Meilensteine umfassen die Realisierung von 1D SSH Gittern, welche die Identifizierung topologischer Defektzustände und die direkte Quantifizierung der Zak-Phase ermöglichten. Darüber hinaus untersucht die Arbeit Moiré-Heterostrukturen und weist Mott-Isolator-Zustände sowie korrelierten Magnetismus auf dreieckigen Spin-Gittern nach. Letztlich zeigt diese Arbeit, dass künstliche Polaritonengitter eine hochgradig kontrollierbare experimentelle Plattform bieten, um Topologie, Vielteilchenphysik und das Zusammenspiel zwischen gittergeordneten Ladungen und Spins unter starker Licht-Materie-Kopplung zu untersuchen.
In the field of particle accelerator physics, one of the main topics of research is the development of high-performance electron sources. A promising class of materials for this purpose and the topic of this work are alkali antimonides. Based on density functional theory, the G0W0 method, and the Bethe-Salpeter equation we calculate the fundamental properties of a multitude of crystals. Furthermore, we present a theoretical framework to calculate the quantum efficiency of semiconducting photocathodes through an implementation of the three-step model based on many-body perturbation theory. To validate this model, we compare its results against experimental measurements for representative crystals and demonstrate a very good agreement between experiment and our theoretical representation. The results allow us to better understand the physics behind the measured spectral response and provide a pathway for the rational design of the next-generation of electron sources.
Von zentraler Bedeutung in der Beschleunigerphysik ist die Entwicklung von leistungsfähigen Elektronenquellen. Für diesen Zweck sind Alkali-Antimonide sehr vielversprechend und Thema dieser Arbeit. Basierend auf der Dichtefunktionaltheorie, der G0W0-Näherung sowie der Bethe-Salpeter-Gleichung berechnen wir die grundlegenden Eigenschaften einer Vielzahl von Materialien. Darüber hinaus stellen wir ein theoretisches Modell vor, mit dem wir die Quanteneffizienz von halbleitenden Photokathoden bestimmen können. Es kombiniert Spicers Drei-Stufen-Modell mit Ergebnissen der Vielteilchen-Störungstheorie. Zur Validierung vergleichen wir die Ergebnisse mit experimentiellen Datensätzen und zeigen eine sehr gute Übereinstimmung für repräsentative Materialien. Unsere Ergebnisse bieten ein besseres Verständnis der physikalischen Gründe für die gemessene Quanteneffizienz von Photokathoden und öffnen damit den Weg für eine sinnvoll gerichtete Weiterentwicklung von Photokathoden als Elektronenquellen.
As data availability increases while labels remain scarce, semi-supervised and unsupervised learning have become central to modern machine learning. Yet, scaling these methods to large, high-dimensional datasets remains computationally challenging. This work develops and investigates highly efficient algorithms for optimizing probabilistic generative models with discrete latent variables. Novel truncated variational posterior approximations are derived and combined with mixtures of factor analyzers (MFAs). The proposed approach exhibits sublinear scaling w.r.t. data and model size and enables training of Gaussian mixture models and MFAs at previously not reported scales on a single compute node. Furthermore, this work combines the variational optimization techniques with graph-based semi-supervised learning and investigates the application of variationally optimized generative models to the task of blind zero-shot denoising of macroscopic and microscopy images.
Mit zunehmenden Daten, bei denen nur wenige Datenpunkte gelabelt sind, gewinnen halb- und unüberwachte Lernalgorithmen im modernen maschinellen Lernen an Bedeutung. Die Skalierung dieser Methoden auf große, hochdimensionale Datensätze bleibt jedoch oft rechnerisch anspruchsvoll. In dieser Arbeit werden daher hocheffiziente Algorithmen zur Optimierung probabilistischer generativer Modelle mit diskreten latenten Variablen entwickelt und untersucht. Es werden neue, sogenannte truncated, variationale A-Posteriori-Approximationen hergeleitet und mit Mixture of Factor Analyzers (MFA)-Modellen kombiniert. Der vorgeschlagene Ansatz weist eine sublineare Skalierung hinsichtlich Daten- und Modellgröße auf und ermöglicht das Training von Gaußschen Mischmodellen und MFAs in bisher nicht berichteten Größenordnungen auf einem einzigen Rechenknoten. Zudem kombiniert diese Arbeit die variationalen Optimierungstechniken mit graphbasiertem halb-überwachtem Lernen und untersucht Anwendungen variational optimierter generativer Modelle für das blinde “Zero-Shot”-Entrauschen von makroskopischen und mikroskopischen Bildern.
