Uni Münster zeichnet die besten Promovierten 2024 aus

Das Rektorat der Universität Münster hat am Freitag (6. Dezember) die besten Doktorinnen und Doktoren des Jahres 2024 ausgezeichnet. 121 Nachwuchswissenschaftlerinnen und -wissenschaftler erhielten das bestmögliche Prädikat "summa cum laude" und damit das höchste Lob für eine Doktorarbeit. Ihnen zu Ehren lud die Hochschulleitung zu einem Empfang ins münstersche Schloss ein. Von unserem Exzellenzcluster Mathematik Münster wurden Dr. Alessandro Codenotti, Dr. David Tobias Meyer, Dr. Philip Möller, Dr. Petr Naryshkin und Dr. Adrian Riekert ausgezeichnet.

Zudem verlieh das Rektorat der Universität Münster 14 Nachwuchswissenschaftlerinnen und -wissenschaftlern den Dissertationspreis des Jahres 2024, darunter Dr. Adrian Riekert. Neben der wissenschaftlichen Exzellenz müssen die Dissertationen ein hohes Maß an Originalität aufweisen und einen bedeutsamen Beitrag zur aktuellen Forschung leisten. Rektor Prof. Dr. Johannes Wessels sowie die Prorektorinnen Prof. Dr. Maike Tietjens und Prof. Dr. Monika Stoll verliehen die Preise, die mit jeweils 3.500 Euro dotiert sind. Das Preisgeld dient der Förderung von weiteren Forschungsarbeiten der Preisträgerinnen und Preisträger an der Universität Münster oder an einer anderen nationalen oder internationalen Hochschule.

Zusammenfassung von Adrian Riekerts Dissertation
Thema: „Mathemathical Analysis of Gradient Methods in the Training of Artificial Neural Networks“
Betreuer: Prof. Dr. Arnulf Jentzen

Die Dissertation beschäftigt sich mit Algorithmen für das Training von künstlichen neuronalen Netzen (KNN). Ein KNN ist eine spezielle Art von mathemathischer Funktion, die aus sogenannten künstlichen Neuronen besteht. Diese erhalten jeweils verschiedene Eingangssignale und berechnen daraus einen Ausgangswert. Dazu wird aus den Eingangswerten eine gewichtete Summe gebildet, auf die eine Aktivierungsfunktion angewendet wird. Die Gewichte dieser Summen werden durch sogenanntes Training verändert, um die Ausgabe des Netzes an gegebene Daten anzupassen. Die dazu in der Praxis verwendeten Methoden sind zwar in vielen Anwendungen sehr erfolgreich, aber da die auŌretenden Funktionen sehr kompliziert und hochdimensional sein können, steht eine vollständige theoretische Begründung der Konvergenz der Trainingsalgorithmen noch aus. In dieser Arbeit wird unter bestimmten Annahmen bewiesen, dass sich die Parameter eines KNN während des Trainings tatsächlich einem Grenzwert annähern und dass ein trainiertes KNN für gegebene Daten mit hoher Wahrscheinlichkeit genaue Vorhersagen machen kann.

Links:
Mathematics Münster Graduate School
Pressemitteilung der Universität Münster zum "Summa cum laude"-Event
Pressemitteilung der Universität Münster zu den Disserationspreisen