Resumen:

In today's landscape, Artificial Intelligence dominates both the narrative of innovation and the infrastructures that sustain modern life. But while the AI-centric world captures headlines, an equally important yet less visible upheaval is underway: the unseen revolution driven by the ethical, legal, social, environmental, and cultural (ELSEC) dimensions of technology. In this talk, I will explore the tension between these two forces. On one side, AI-based advances—supercharged by high-performance computing—promise unprecedented capabilities in science, engineering, and everyday life. On the other hand, deep questions of responsibility, sustainability, and societal impact remain largely overlooked, yet they will shape the long-term trajectory of AI-based technologies' adoption and trust.

Resumen:

En física aplicada e ingeniería, es común la necesidad de simular descritos por ecuaciones diferenciales numéricamente, haciendo uso de Cómputo de Alto Desempeño (HPC). gran escala, resulta conveniente aplicar un Método de Descomposición de Dominio (DDM), ya que permite dividir el problema global en subproblemas locales más manejables y adecuados para procesamiento en paralelo. En esta ponencia se presenta una revisión del Método de Descomposición de Dominio en el Espacio de Vectores Derivados (DDM-DVS), originalmente propuesto por Herrera [1], ampliando su aplicabilidad a sistemas con matrices no simétricas [2]. Se hace especial énfasis en los computacionales de su implementación, destacando su eficiencia algorítmica, el uso optimizado de memoria y su compatibilidad con HPC El DVS-framework es un DDM sin traslapes y sin nodos compartidos entre subdominios, a diferencia de los métodos tradicionales. Opera en un espacio v matriz resultante de la discretización es diagonal por bloques. Esto permi cómputo en paralelo, permitiendo que cada procesador trabaje de forma independiente subdominio. Se han desarrollado los algoritmos DVS global, utilizando una arquitectura síncrona con MPI. superlineal. Se han resuelto problemas hasta procesadores.

Resumen:

Natural convective turbulent flows in a square cavity are numerically studied using Large Eddy Simulation (LES) models. The validity of the unladen flow solution is confirmed by comparing the calculations with experimental results obtained from the literature. The experimental case consists of a natural convective flow in a confined square cavity, with vertical walls heated at different rates (active walls), set at Ra = 1.58 × 109. In this work, we solve the three-dimensional incompressible Navier–Stokes equations using the Finite Volume Method and the SIMPLEC (Semi-Implicit Method for Pressure-Linked Equations–Consistent) algorithm to decouple the pressure–velocity fields. The numerical scheme is implemented in Fortran and parallelized with OpenMP to efficiently solve the linear systems for the velocity components and the Poisson equation for pressure correction on a Dell OptiPlex Tower Plus 7020 (Intel® Core™ i7-14700 × 28 threads, 32 GiB RAM, NVIDIA GeForce RTX 4060). The computational domain is discretized on a cartesian mesh of 220 × 220 × 180 cells, with non-uniform spacing in the horizontal directions and refined near the heated walls in the vertical to resolve steep thermal gradients. The OpenMP directives are applied to nested loops that update the velocity and pressure fields, using the COLLAPSE clause to maximize parallelism and improve load balancing across threads. This approach enables the simulation to scale efficiently on shared-memory architectures, taking advantage of modern multi-core processors to reduce computation time and handle larger problem sizes. These results will help enhance the understanding of particle transport in buoyancy-driven turbulent flows.

Resumen:

Resumen:

La enfermedad de Alzheimer se asocia con la agregación anómala del péptido beta-amiloide, lo que provoca la muerte neuronal, deterioro cognitivo y alteraciones conductuales. Es la forma más común de demencia en adultos mayores y, actualmente, no tiene cura. Una pregunta central en su estudio es: ¿cómo se sintetizan los péptidos que desencadenan esta patología? Por otro lado, la esclerosis lateral amiotrófica (ELA) es una enfermedad neurodegenerativa de origen desconocido, caracterizada por la acumulación citoplasmática de diversas proteínas, entre ellas FUS (Fused in Sarcoma), en forma de condensados líquidos. La separación de fases líquido-líquido (LLPS) juega un papel esencial en la formación de estos condensados, cuya interacción con las membranas celulares es clave para su estabilidad, envejecimiento y función. En este trabajo, abordamos el estudio de los mecanismos moleculares implicados en ambas enfermedades neurodegenerativas mediante simulaciones de dinámica molecular multiescala. En particular, exploramos cómo procesos como la agregación proteica y la separación de fases contribuyen a la progresión patológica, con el objetivo de aportar una comprensión más profunda de sus causas comunes a nivel molecular.

Resumen:

La integración de inteligencia artificial y simulaciones moleculares ha revolucionando nuestra capacidad para comprender el comportamiento fundamental de la materia a nivel atómico y molecular. En esta charla exploraremos cómo los campos de fuerza basados en aprendizaje automático (Machine Learned Force Fields, MLFF) evolucionaron, desde sus origenes cómo modelos con descriptores, modelos auto-contenidos, la nececidad de las equivarianzas, y la importancia de los sesgos físicos y químicos en las arquitecturas de las redes neuronales. Más aún, mostraremos como estos permiten describir con precisión the metodos ab-initio las interacciones atómicas en simulaciones de dinámica molecular. Presentaremos ejemplos de aplicaciones en moléculas y materiales complejos, destacando cómo estos métodos avanzados logran capturar y cuantificar el comportamiento realista y dependiente de la temperatura en sistemas moleculares comparando directamente con resultados experimentales, algo que tradicionalmente ha sido muy difícil con métodos clásicos. Finalmente, discutiremos el potencial de esta poderosa sinergia tecnológica para acelerar descubrimientos científicos en física, química y ciencia de materiales. Adicionalmente, analizaremos als tendencias actuales en MLFFs y como es que el supercomputo se usa en los esquemas de trabajo desde la generación de bases de datos y entrenamiento de modelos, hasta su aplicación en simulaciones de alto calado en GPUs, asi como ventajas y desventajas de las nuevas alternativas de hardware para simulaciones de este tipo.

Resumen:

La superconductividad es quizás el fenómeno más sorprendente en la física del estado sólido, debido a su nula resistencia eléctrica y diamagnetismo perfecto. El estudio de dicho fenómeno en sólidos aperiódicos generalmente se basa en las ecuaciones acopladas de Bogoliubov-de Gennes (BdG) [1] que usualmente se resuelven de forma autoconsistente, cuyo costo computacional crece rápidamente con el tamaño del sistema [2]. En esta charla presentamos un método alternativo vía transformaciones unitarias -sin introducir aproximaciones adicionales- que desacopla las ecuaciones de BdG, i.e., convirtiéndolas a una matriz diagonal por bloques [3]. Este método reduce significativamente el tiempo de cómputo y permite abordar sistemas mesoscópicos con la capacidad de cómputo actual. Como ejemplos se presentarán los resultados de la brecha superconductora y temperatura crítica en nanotubos y nanoalambres. Además, se comparan los tiempos de cómputo vía el método estándar y el alternativo. Cabe mencionar que el método vía transformaciones unitarias presentado constituye un camino eficiente en la investigación de fenómenos electrónicos fuertemente correlacionados.

Resumen:

El transporte de sedimentos es un proceso clave en la evolución morfológica de ríos, ya que depende del flujo del agua y su interacción con el cauce. Este proceso consiste en: la dinámica del flujo y movimiento de sedimentos. Para realizar un análisis hidro-morfológico integral, se debe combinar los principios de la hidráulica fluvial y morfología, lo cual, involucra entender como varia temporal y espacialmente el cauce, lo cual, conlleva a analizar la dinámica de los cambios físicos del rio. Para analizar la evolución hidro-morfológica en una o dos dimensiones espaciales y temporales, se utilizan modelos basados en las ecuaciones de Saint Venant (flujo) y Exner (morfología), resueltos con métodos numéricos. TELEMAC implementa estos modelos usando técnicas de elementos finitos sobre mallas no estructuradas, lo que permite adaptarse a geométricas complejas y condiciones variables. Sin embargo, la simulación de estos procesos exige una alta capacidad computacional, especialmente cuando se trabajan con grandes dominios, por lo cual, en muchos casos se hace el uso del Supercomputo para reducir significativamente los tiempos de procesamiento. A pesar del esfuerzo de obtención de resultados en un tiempo corto, la importancia de estos tiempos se vuelve un factor principal. Por lo tanto, el presente estudio realiza un planteamiento en base a la máquina de aprendizaje reemplazando el análisis hidro-morfológico empleando redes neuronales del tipo Perceptrón Multicapa; entrenada con los resultados obtenidos en TELEMAC, logrando una reducción significativa en costos computacionales y tiempos de obtención de resultados, las correlaciones son verificadas con métodos estadísticos mostrando precisión en los resultados obtenidos enmarcando una metodología de utilidad en la modelación hidro morfológica.

Resumen:

Resumen:

Artificial intelligence (AI) is transforming protein design, a field that seeks to create novel functional biomolecules for applications in health, energy, the environment, and biotechnology. In particular, large language models (LLMs), based on Transformer architectures and originally developed for natural language processing, have proven to be powerful tools for modeling amino acid sequences due to the structural analogies between human languages and protein sequences. In this talk, I will discuss the use of generative models—both conditional and unconditional—to explore novel regions of sequence space and generate functional de novo proteins. Using ProtGPT2, ZymCTRL, and ProGen2—models trained on large datasets of natural sequences—we generated thousands of candidate sequences, which were computationally evaluated and subsequently characterized experimentally. Several of these proteins showed efficient expression in bacterial systems, proper folding, and biochemical properties comparable to those of natural proteins. Some of the artificial enzymes exhibited the expected enzymatic activity, although with lower catalytic efficiency compared to their natural counterparts. Additionally, we combined these language models with directed evolution strategies and computational optimization to improve the solubility, stability, and functionality of various artificial proteins. This work demonstrates how the use of AI models, complemented by high-performance computing resources for sequence generation, evaluation, and selection, enables the design of biomolecules beyond the limitations imposed by natural evolution. It offers an innovative approach for tailoring functional macromolecules and positions AI-based models as powerful tools for the rational design of robust proteins with broad applications in biotechnology and biomedicine.

Resumen:

Este trabajo aborda la compleja tarea de identificar virus en datos metagenómicos obtenidos de diversas fuentes biológicas, tales como reservorios animales, muestras ambientales y el cuerpo humano. Los métodos tradicionales de identificación viral enfrentan grandes desafíos debido a la extensa diversidad, la falta de genomas de referencia para muchas especies virales y la rápida evolución de los genomas virales. En respuesta, la investigación reciente ha incrementado el uso de técnicas de inteligencia artificial (IA) para mejorar la precisión y eficiencia en la detección de virus. Sin embargo, los enfoques actuales basados en IA son predominantemente clasificadores binarios, lo que limita la especificidad en la identificación de tipos virales, es decir, la capacidad del modelo para distinguir entre familias, géneros o funciones proteicas, y a menudo estos clasificadores binarios, dependen exclusivamente de datos de secuencias de nucleótidos. Para superar estas limitaciones, esta tesis presenta VirDetect-AI, una herramienta innovadora diseñada específicamente para identificar virus eucariontes en conjuntos de datos metagenómicos. VirDetect-AI emplea una arquitectura avanzada que combina redes neuronales convolucionales (CNNs) y redes neuronales residuales (ResNets), lo cual permite la extracción de características jerárquicas y patrones complejos a partir de datos genómicos de aminoácidos. El modelo muestra un rendimiento sobresaliente en las métricas de evaluación, alcanzando una sensibilidad de 0.97, una precisión de 0.98 y una puntuación F1 de 0.98. Este avance mejora nuestra comprensión de la ecología viral al clasificar con precisión las secuencias metagenómicas en 980 clases de proteínas virales, que abarcan una amplia variedad de géneros virales, familias, funciones de proteínas e información del hospedero. En consecuencia, VirDetect-AI tiene un gran potencial para descubrir nuevos virus, facilitando avances en la taxonomía viral, la monitorización ecológica y la vigilancia de la salud pública. Software utilizado: Cuda, Nvidia Toolkit, Lenguajes de programación (Python, perl, bash, R). Supercómputo, utilizado: Miztli (supercomputadora de la UNAM)

Resumen:

La Ciudad de México enfrenta el desafío de gestionar los fenómenos hidrometeorológicos extremos, cuya frecuencia e intensidad se han incrementado a consecuencia de factores como la urbanización y el cambio climático. Particularmente, la urbanización conlleva a un aumento en las superficies impermeables, lo que reduce la capacidad de infiltración del agua al subsuelo y favorece el escurrimiento superficial y las inundaciones. Entre los tipos de inundaciones que se presentan en las áreas urbanas están las pluviales, las cuales ocurren cuando las precipitaciones superan la capacidad del sistema de drenaje. Este trabajo presenta los avances en el desarrollo de un sistema de alertamiento por inundaciones para la Ciudad de México, el cual integra el modelo atmosférico Weather Research and Forecasting (WRF) para pronosticar la precipitación, y el modelo hidrológico Storm Water Management Model (SWMM) para simular el volumen de escurrimiento superficial. La precipitación se obtiene a través de un sistema de pronóstico operativo que utiliza el modelo WRF, configurado con tres dominios de simulación y resoluciones horizontales de 15 km, 5 km y 1.67 km, respectivamente. Se pronostican las condiciones atmosféricas de cinco días para los dominios 1 y 2, y a tres días para el dominio 3. El pronóstico se ejecuta en el clúster Ometeotl del ICAyCC-UNAM, utilizando 42 núcleos Intel Xeon Platinum 8360H CPU @ 3.0GHz, cada uno con 1.5TB de memoria RAM. El tiempo de ejecución para los tres dominios es de 2:57 horas. Una vez hecha la simulación atmosférica, la precipitación pronosticada se introduce al modelo SWMM. Este modelo considera además información sobre subcuencas naturales y urbanas, datos de elevación, red, nodos y conductos de drenaje. Con ello se simula el volumen de escurrimiento que excede la capacidad del sistema de drenaje. De esta manera, identificamos las áreas susceptibles a inundación.

Resumen:

La calidad del aire es el resultado de la interacción entre emisiones contaminantes y procesos meteorológicos. Para predecirla, es necesario resolver numéricamente las ecuaciones fundamentales que describen el comportamiento atmosférico—incluyendo conservación de masa, momento, energía y reacciones químicas. Estas simulaciones requieren gran capacidad de supercómputo. En el ICAyCC de la UNAM se implementa el modelo acoplado WRF-Chem, que integra meteorología, transporte y química atmosférica. El modelo se ejecuta en un dominio único de ~3 km de resolución horizontal, empleando entre 44 y 132 núcleos, completando un pronós=co de 72 horas en aproximadamente 90 minutos. Se u=liza además el modelo Fall3d para simular la dispersión y el depósito de ceniza volcánica, realizando 72 corridas diarias (una por hora) en tres niveles de columna (3, 5 y 10 km). Cada simulación usa 10 núcleos y tarda cerca de 10 minutos, completando el conjunto en ~70 minutos. Para soportar estas tareas, se compila WRF-Chem con aproximadamente 50 bibliotecas, y se emplean sistemas de ges=ón de trabajos (SLURM) y de archivos paralelos (LUSTRE). Scripts automa=zados en bash coordinan la ejecución, desde la descarga de datos hasta la publicación de resultados en la plataforma del ICAyCC. En este trabajo se presentan: 1. Las ecuaciones que resuelven los modelos de meteorología (WRF), química atmosférica (RADM2) y dispersión de ceniza (Fall3d). 2. La infraestructura tecnológica: hardware (nodos, almacenamiento), sogware y librerías. 3. Los resultados operacionales diarios: mapas de pronós=co de calidad del aire y ceniza volcánica. Este sistema representa un avance significa=vo en vigilancia ambiental y respuesta ante emergencias en México. Gracias al uso de supercómputo, es posible generar pronós=cos confiables y de alta resolución en =empos compa=bles con la operación real, estableciendo una base sólida para futuros desarrollos en asimilación de datos, mejora de inventarios de emisión y op=mización de recursos computacionales.