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.

Inspired by biological neural networks, neuromorphic computing has emerged as a promising alternative to conventional architectures, which increasingly struggle to meet the needs of low power consumption, parallel processing, and real-time operation. The realisation of neuromorphic systems requires new types of devices, which have the capability of simultaneously storing and processing information. It is, however, not easily available from conventional Complementary Metal-Oxide-Semiconductor (CMOS)-based technologies. Memristor is a promising candidate for such systems, owing to its synapse-like, tunable resistance states and compatibility with CMOS technology. This cumulative dissertation investigates the fabrication, characterisation, and integration of memristor for neuromorphic and optical applications. For practical integration, the materials and fabrication techniques have been selected to be compatible with standard CMOS technology. The work first focuses on understanding the bidirectional switching behaviour of individual redox-based memristors and examines how the dielectric layer thickness influences device performance. Following these, a experimental realisation of an intelligent photodetector is achieved, which integrates a photodiode with a memristor to enable adaptive passive quenching. Meanwhile, a CMOS-compatible photodiode operating in Geiger mode is also designed for this purpose. Furthermore, this dissertation explores the Fermi–Pasta–Ulam–Tsingou (FPUT) system under mismatched condition, thereby addressing the theoretical foundations for building a nonlinear system with mismatch. Tolerance effects are analysed using Monte Carlo simulations, and a method is proposed to recover the energy recurrence behaviour despite such variability. This dissertation includes five peer-reviewed journal and conference papers that combine numerical and experimental research. Through the co-design of novel devices and non-linear systems, these works collectively lay the foundation for the future development of neuromorphic systems.

Das vorliegende Dossier erläutert zunächst, was Recommendersysteme sind und wie sie technisch umgesetzt werden. Nachfolgend wird aufgezeigt, zu welchem Zweck Recommendersysteme beim technologiegestützten Lernen eingesetzt werden – sowohl im Bildungsbereich allgemein als auch speziell in der beruflichen Weiterbildung. Der größere Teil dieses Dossiers widmet sich anschließend spezifischen Herausforderungen der Entwicklung und Implementierung konkreter Recommendersysteme auf digitalen Weiterbildungsplattformen. Dabei werden basierend auf der bestehenden Literatur und Aussagen von Expert_innen Handlungsempfehlungen aufgeführt. Insgesamt soll das vorliegende Dossier damit den Einsatz von Recommendersystemen in der beruflichen Aus- und Weiterbildung sowohl aus technischer als auch didaktischer Perspektive beleuchten.

Die vorgestellten Workshopangebote verbinden Kreativität, Technik und Naturwissenschaften, um Kinder und Jugendliche für MINT-Themen zu begeistern. In „KreativWerk“ können sie mit modernen Werkzeugen wie 3D-Druckstiften und Lasercuttern eigene Kunstwerke gestalten. Das Modul „Technovation“ ermöglicht es, Roboter zu programmieren, eigene Modelle zu bauen und technische Fähigkeiten spielerisch zu erlernen. In der „WunderWerkstatt“ entdecken die Teilnehmenden durch Experimente die faszinierende Welt der Naturwissenschaften. Gemeinsam fördern die Module Neugier, Problemlösefähigkeiten und kreatives Denken auf abwechslungsreiche Weise.