Mathematik/Informatik

dynActivation: Trainierbare Aktivierungsfunktionen zur Anomalie-basierten Krebsdiagnose

Teilnehmer:innen

Alois Bachmann (18)

Schule/Institution/Betrieb

Universität Heidelberg

Projektbetreuung

Maria Maternik

Region

Nordbaden

Jahr

2026

Sparte

Jugend forscht

Fehldiagnosen und späte Befunde kosten in der Medizin wertvolle Zeit. Zugleich sind hochwertige, krankheitsspezifische Trainingsdaten wegen Seltenheit und Datenschutz oft rar.
Aus diesem Grund wird in diesem Projekt Krankheitserkennung als Anomaliedetektion formuliert, bei der ein KI-Modell auf gesundem Gewebe lernt und Auffälligkeiten in krankem Gewebe über Rekonstruktionsfehler sichtbar macht. Dies konnte exemplarisch mit einem selbst-entwickelten Modell an der Krebserkennung in Lungen gezeigt werden.
Um dieses Modell zu optimieren, wird die trainierbare Aktivierungsfamilie dynActivation vorgestellt. Diese erweitert bisherige Aktivierungen in KI-Modellen um zwei trainierbare Parameter, über die das Modell die beste nicht-Linearität selbst erlernen kann. Experimente zeigen schnellere Konvergenz und geringere Trainings-/Validierungsfehler in verschiedenen Szenarien als bisherige Aktivierungsfunktionen und deuten auf eine Anwendbarkeit in der breiten KI-Forschung hin.

1. Preis Landeswettbewerb Baden-Württemberg

250 € | Preisstifter: Dieter Schwarz Stiftung

1. Preis Regionalwettbewerb Nordbaden

Sonderpreis Präsentation bei der Abschlussveranstaltung der Nobelpreisträgertagung

Baden-Württemberg International

Sonderpreis Einladung zur Abschlussveranstaltung der Nobelpreisträgertagung

Wissenschaftsministerium Baden-Württemberg, Reinhold Beitlich Stiftung

Sonderpreis Experience Day "Young AI-Innovators Award @IPAI Foundation"

200 EUR inkl. Einladung zum KI-Festival 2026

Wettbewerb 2026

Motto

Info

Termine