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.
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.
Numerical simulations are essential to optimize wind energy yield, as they allow detailed analysis of turbine design, wind farm layout, and interactions with the atmospheric boundary layer. A major challenge is that relevant processes range from large-scale wind fields down to small-scale turbine dynamics, requiring models that can accurately couple these scales. This thesis advances the PALM-FAST model chain, which combines large-eddy simulations (PALM) with an aeroelastic model (FAST), enabling efficient and accurate multiscale wind turbine simulations. Two coupling methods were developed to reduce numerical errors and broaden applicability to complex scenarios. Validation shows good agreement with measurements and significant time savings over conventional methods. The PALM-FAST approach was also used to study coastal transitions, revealing that changes in surface roughness and temperature create persistent wind field heterogeneities, which affect turbine performance and loads.
Numerische Simulationen sind entscheidend, um den Energieertrag von Windparks zu optimieren, da sie eine detaillierte Analyse von Turbinendesign, Parklayout und Interaktionen mit der atmosphärischen Grenzschicht ermöglichen. Eine große Herausforderung ist, dass relevante Prozesse von großskaligen Windfeldern bis hin zu kleinräumigen Turbinen-Dynamiken reichen, was eine Kopplung unterschiedlicher Skalen erfordert. In dieser Arbeit wurde die PALM-FAST-Modellkette weiterentwickelt, die Large-Eddy-Simulationen (PALM) mit einem aeroelastischen Modell (FAST) kombiniert und so effiziente, präzise Mehrskalen-Simulationen von Windenergieanlagen ermöglicht. Zwei Kopplungsmethoden wurden entwickelt, um numerische Fehler zu reduzieren und die Anwendbarkeit auf komplexe Szenarien zu erweitern. Validierungen zeigen eine gute Übereinstimmung mit Messdaten und deutliche Zeitersparnisse. Die Modellkette wurde auch zur Untersuchung von Küstenübergängen eingesetzt, wobei sich gezeigt hat, dass Veränderungen in Rauigkeit und Temperatur zu Windfeld-Heterogenitäten und veränderten Turbinenlasten führen.
Time-series and machine learning techniques have demonstrated significant efficacy in forecasting photovoltaic (PV) energy for intra-day and intra-hour horizons. By integrating radiation measurement with cloud and satellite imagery, accurate predictions can be made for up to six hours. However, for day-ahead (DA) forecasts, numerical weather prediction (NWP) models are necessary as the atmospheric processes driving changes are not sufficiently related to current conditions to be captured using statistical methods alone. This thesis proposes a hybrid ensemble model that integrates satellite imagery with NWP data for intra-day forecasts. Additionally, it explores the full potential of NWP models for DA forecasting by applying model output statistics techniques. This research offers a comprehensive analysis of both deterministic and probabilistic PV power forecasts with uncertainty associated with these predictions, contributing valuable insights to the field of solar energy forecasting.
Time-Series und Machine-Learning Methoden haben sich als äußerst effektiv für die kurzfristige Vorhersage von Photovoltaik Energie (PV) erwiesen. Durch die Kombination von Strahlungsmessungen mit Wolken- und Satellitenbildern können präzise Prognosen für bis zu sechs Stunden erstellt werden. Für Day-Ahead (DA)-Vorhersagen sind jedoch Numerical Weather Prediction (NWP) Modelle erforderlich, da atmosphärische Prozesse nicht allein durch statistische Methoden erfasst werden können. Diese Dissertation stellt ein hybrides Ensemblemodell vor, das Satellitenbilder mit NWP-Daten für kurzfristige Prognosen kombiniert. Zudem wird das volle Potenzial von NWP-Modellen für DA-Vorhersagen mittels Model-Output-Statistik-Techniken untersucht. Zusätzlich werden sowohl deterministische als auch probabilistische PV-Leistungsvorhersagen samt Unsicherheiten analysiert, die zu wertvollen Erkenntnissen im Bereich der Solarenergievorhersage führen.
The Hybrid-Lambda Rotor design methodology is introduced, enabling very large rotors for offshore wind turbines to increase energy capture in light winds and enhance integration in the energy system. Load mitigation fosters a lightweight and cost-effective turbine design. The methodology features a non-uniform distribution of axial induction along the blade span and a design for two different tip speed ratios and corresponding operational strategies. Further, the concept is scaled to wind tunnel size. The experimental and numerical investigations reveal unique wake characteristics. The wake deficit in the strong-wind mode is significantly reduced, and an additional shear layer and vortex system form, which further enhances wake diffusion. A control methodology is established and validated through wind tunnel experiments. A thorough explanation of the scaling methodology ensures the transferability of the results from wind tunnel tests to full-scale applications.
Die Hybrid-Lambda Rotor Entwurfsmethodik wird vorgestellt, wodurch sehr große Rotoren für Offshore-Windenergieanlagen ermöglicht werden. Dies erhöht den Energieertrag bei schwachem Wind und verbessert die Integration in das Energiesystem. Die Lastreduktion ermöglicht ein kostengünstiges Rotorblattdesign in Leichtbauweise. Die Methode beinhaltet eine ungleichmäßige Verteilung der axialen Induktion entlang des Rotorblattes und ein Design für zwei verschiedene Schnelllaufzahlen und korrespondierende Betriebsmodi. Das Konzept wird zudem auf Windkanalgröße skaliert. Die Experimente zeigen, dass das Nachlaufdefizit im Starkwindmodus deutlich reduziert ist. Es bildet sich ein zusätzliches Wirbelsystem, was die Erholung des Nachlaufs verbessert. Es wird eine Regelungsmethodik für den Hybrid-Lambda Rotor entwickelt und in Windkanalexperimenten validiert. Eine gründliche Erläuterung der Skalierungsmethodik gewährleistet die Übertragbarkeit der Ergebnisse von den Experimenten zum realen Maßstab.
