Resumen:

Resumen:

La industria petrolera mexicana realiza actividades continuas para descubrir e incrementar reservas de hidrocarburos, manteniendo así la exploración y el desarrollo costa afuera. Sin embargo, las características geológicas del Golfo de México imponen desafíos a la exploración de hidrocarburos. El presente trabajo explora el papel fundamental de la transformación digital —habilitada por tecnologías avanzadas como el cómputo en la nube, la inteligencia artificial (aprendizaje automático), el cómputo de alto desempeño y el supercómputo— en la cadena de valor de la exploración de hidrocarburos y en la generación de prospectos. Mediante la integración de flujos de trabajo de procesamiento sísmico convencionales y mejorados (con apoyo de IA cuando corresponde), se optimiza el uso de datos, incluidos datos históricos, y se mejora la resolución de la imagen sísmica del subsuelo. Esto permite identificar características sutiles previamente desapercibidas, acelerando los ciclos de evaluación. Esta transformación se materializa en un entorno digital ágil y colaborativo que facilita la interacción fluida entre especialistas de distintas disciplinas, lo que representa un cambio estructural en la forma de abordar el estudio del subsuelo. La calidad de la imagen sísmica del subsuelo es fundamental para identificar prospectos viables, especialmente en entornos geológicos complejos. En años recientes, los algoritmos de migración e inversión sísmica han mejorado notablemente gracias al aumento de la capacidad de cómputo y a la incorporación de técnicas de aprendizaje automático. Se enfatiza cómo las estrategias basadas en datos, en la experiencia de los especialistas y en tecnologías digitales avanzadas (como la inteligencia artificial aplicada) están configurando una nueva manera de afrontar desafíos geológicos. En particular, la aplicación de técnicas de IA permite analizar volúmenes masivos de datos del subsuelo, lo que apoya a los expertos en la identificación eficiente de áreas prospectivas. En conjunto, estos elementos están redefiniendo cómo se enfrenta la complejidad del subsuelo.

Resumen:

Una tormenta severa se caracteriza por lluvias intensas, granizo de gran tamaño y/o ráfagas de viento de al menos 93 km/h. Este tipo de fenómenos puede causar inundaciones, daños en infraestructura e incluso pérdidas humanas. El análisis de nubes mediante imágenes satelitales se ha convertido en una herramienta útil para identificarlas y caracterizarlas, así como para monitorear los fenómenos hidrometeorológicos particularmente aquellos relacionados con lluvia intensa. Este trabajo presenta los avances en la identificación y caracterización de nubes convectivas asociadas a tormentas severas, mediante el procesamiento y análisis de imágenes de los sensores Advanced Baseline Imager (ABI) y Geostationary Lightning Mapper (GLM), a bordo del satélite GOES-16. La región de estudio comprende la Corona Regional del Valle de México, enfocándose en algunos eventos de tormenta severa que han afectado a la Ciudad de México. Considerando diferentes bandas o una combinación de ellas, se analizó la temperatura de tope de nube, la actividad eléctrica, la convección de día, la fase de la nube y humedad del suelo, con el fin de caracterizar las tormentas severas en sus diferentes fases de desarrollo: temprana, madura y de disipación. Para el procesamiento de las imágenes satelitales, se desarrollaron programas en Python, los cuales fueron optimizados para su ejecución en el clúster Ometéotl del ICAyCC-UNAM. Se realizó la paralelización de los procesos para reducir los tiempos de ejecución mediante el uso de la librería “Multiprocessing” de Python. Esta optimización fue esencial, ya que por cada evento de tormenta severa se procesan aproximadamente 2880 imágenes, y la base de datos utilizada tiene alrededor de 130 eventos, lo que representa un volumen considerable de información a procesar.

Resumen:

Resumen:

La Computación de Alto Rendimiento (High Performance Computing, HPC) ha desempeñado un papel fundamental en el desarrollo de la astrofísica relativista, desde las primeras simulaciones de órbitas de sistemas binarios de agujeros negros en relatividad numérica, hasta modelos a gran escala del universo, la detección de ondas gravitacionales por la colaboración LIGO/VIRGO/KAGRA y la generación de imágenes de sombras de agujeros negros por l colaboración The Event Horizon Telescope (EHT). En esta charla explicaremos algunos de estos escenarios astrofísicos de altas energías, el costo computacional asociado a su estudio, y los principales retos que enfrentamos actualmente en el uso de HPC para avanzar en nuestra comprensión del universo.

Resumen:

Short gamma-ray bursts (SGRBs) originate from the merger of two neutron stars, an event that ejects a dense, anisotropic, and expanding matter. After the merger, a collimated and relativistic jet is launched and has to successfully propagate through the launched material. In this work, we study the propagation of a SGRB jet through a funnel-like medium that may be static or expanding. We perform 2D axisymmetric relativistic hydrodynamic simulations using high-performance computing. Each simulation required around 1e4-1e5 CPU-hours, totaling approximately. The computational time was provided by the Miztli supercomputer (project LANCAD-UNAM-DGTIC-321) and through the “UNAM – AWS Cloud Research Projects” program. We explored various funnel opening angles and density contrasts. Narrow funnels confine jet expansion, leading to stronger collimation. The polar structure of the ejecta primarily influences early jet dynamics, while expanding ejecta dominates at later stages. Jets in low-density polar funnels advance faster initially, and the presence of mildly relativistic outflows sustains collimation after breakout. Our results highlight the critical role of the ejecta’s geometry and dynamics in shaping the evolution and electromagnetic emission of SGRB jets.

Resumen:

La búsqueda de objetos cercanos, su clasificación y la determinación de sus trayectorias es un campo abierto y de interés en la astronomía. El grupo de investigación de Estudio de Cuerpos menores está desarrollando un algoritmo de búsqueda de asteroides llamando AFUST (Asteroide Finder Using Synthetic Tracking). AFUST basa su detección en el desplazamiento y suma de las imágenes de un cubo de datos que obedece a una posible trayectoria de un asteroide. Seguido se analiza la imagen resultante utilizando el paradigma de visión por computadora llamada análisis de bulbos, haciendo cortes a diferentes escalas de valores de intensidad. Si el bulbo detectado cumple con ciertas características geométricas, por ejemplo excentricidad y área, se reporta la velocidad de la imagen, la posición del bulbo y su área, como una región promisoria en donde se puede encontrar un asteroide. Adicionalmente, AFUST prepara el cubo de datos antes del proceso de detección. Ejecuta una alineación del cubo de datos, elimina las tendencias del cielo y oculta a las estrellas utilizando el calculo de transformaciones rígidas y operadores morfológicos de imágenes. El modulo de detección, es un proceso computacional que demanda muchos recursos. Ejecuta un recorrido de posibles trayectorias de los asteroides desde una velocidad inicial hasta una velocidad final, con cierto tamaño de paso. En pruebas, hemos encontrado que para analizar del orden de 50,000 trayectorias, usando 20 núcleos de procesamiento en algoritmo tardó 4.5 días. En este trabajo, prestaremos los avances en el desarrollo de AFUST utilizando GPUs, programado en Phyton, desde dos perspectivas. La primera usando un servidor con tarjetas Nvidia A5000 y la segunda utilizando un contenedor ejecutado en la Plataforma para la Investigación en GPUs (PIG)

Resumen:

Este estudio retrospectivo analizó datos a nivel municipal (desagregados) de los 125 municipios de Jalisco correspondientes a los quinquenios 2010–2014, 2015–2019 y el año 2020. Dado el volumen y la complejidad de la información sobre defunciones y pobreza, se utilizó el poder de cómputo del Centro de Análisis y Supercómputo (CADS) de la Universidad de Guadalajara para su procesamiento. A partir de fuentes oficiales de libre acceso del sistema de salud (Datos Abiertos y CONEVAL), se realizó estadística descriptiva para variables cualitativas y cuantitativas. Se aplicaron técnicas de inteligencia artificial (machine learning). Se utilizó Análisis de Componentes Principales (PCA) para reducir la dimensionalidad y el método del codo (Elbow) para determinar el número óptimo de clústeres. Posteriormente, se implementó el algoritmo K-Medias para clasificar los grupos según su similitud. La calidad del agrupamiento se validó mediante el coeficiente y gráfico de silueta (Silhouette coefficient). Estas estrategias de IA permitieron extraer patrones relevantes y evidencias sólidas a partir de un volumen elevado de datos, en estudios socio-sanitarios complejos. Resultados. Mediante el uso de supercómputo e inteligencia artificial, se identificaron 102 municipios prioritarios, y 70 clasificados como vulnerables –además de prioritarios–, que comprenden el 56% del estado. La atención focalizada en estas zonas permitiría ampliar la cobertura de salud hasta en un 75% de la población. Se proyecta una mejora significativa en 10 de las 12 regiones existentes, así como un impacto positivo en las tasas de mortalidad bruta y general. Estos resultados evidencian cómo las herramientas de análisis masivo de datos pueden guiar a estrategias efectivas de toma de decisiones, para reducir la desigualdad social y el rezago económico en contextos territoriales complejos.

Resumen:

Resumen:

Resumen:

Motivado por las necesidades de grandes proyectos como el Observatorio Pierre Auger, el experimento ALICE en el LHC y el Observatorio HAWC tuvimos que desarrollar capacidades de cómputo de alto rendimiento para el manejo de grandes volúmenes de datos. En el transcurso del tiempo agreguemos soporte para más proyectos, como DESY, NICA y el Observatorio Vera Rubin (LSST). Al mismo tiempo, el centro se expandió y fundemos, en colaboración de la DGTIC y los institutos de Astronomía, Ciencias Nucleares y Química, el Laboratorio de Modelos y Datos (LAMOD). Presentaré la motivación, la historia y nuestros planes para el futuro.

Resumen:

El Laboratorio Nacional de Observación de la Tierra recibe imágenes de satélite constantemente y con ellas se generan productos útiles para estudios territoriales, meteorología y prevención de desastres. El proceso de datos, desde la recepción, la generación de productos derivados, el almacenamiento y la distribución a usuarios finales, requiere un sistema organizado, eficiente y tolerante a fallas. Para atender esta necesidad, se diseñó e implementó un clúster de procesamiento y distribución de datos satelitales, con base en software libre de código abierto, como un sistema de alta disponibilidad. Es un proyecto activo y se contemplan mejoras importantes para el futuro.

Resumen:

En los centros de Supercómputo actuales, la demanda de almacenamiento masivo de datos crece de forma acelerada, impulsada tanto por la generación de grandes simulaciones numéricas como por el análisis de datos experimentales. La reciente incorporación de modelos de Inteligencia Artificial (IA) complica esta necesidad, al requerir de sistemas de almacenamiento capaces de alimentar de forma eficiente los flujos de procesamiento de datos. En el Laboratorio de Modelos y Datos (LAMOD), actualmente se almacenan 10 PB de datos de proyectos diversos en un sistema de archivos Lustre. Ante el crecimiento continuo de archivos, se plantea la necesidad de optimizar el uso de los recursos de almacenamiento. Este escenario presenta dos desafíos principales: por un lado, el incremento en la demanda de energía y espacio físico; por otro, la acumulación de grandes cantidades de archivos inactivos que deben mantenerse disponibles en el sistema. Una estrategia para mitigar estos problemas consiste en la implementación de un sistema de almacenamiento jerárquico estructurado en tres niveles: • Primer nivel: almacenamiento de alto rendimiento con capacidad suficiente para alojar los datos activos en el clúster. • Segundo nivel: almacenamiento de alta capacidad basado en objetos, accesibles mediante el protocolo S3 y que deben ser transferidos al primer nivel para su procesamiento. • Tercer nivel: almacenamiento de datos de acceso infrecuente, almacenados en una biblioteca de cintas. Los tres niveles deben estar integrados mediante un sistema de gestión de almacenamiento jerárquico (HSM) que regula la migración y ubicación de los datos, de acuerdo con políticas de uso. En este trabajo se presenta la propuesta de diseño de un sistema de almacenamiento jerárquico para el LAMOD, con el objetivo de ofrecer una solución escalable, eficiente y replicable en otros entornos de cómputo de alto rendimiento que enfrentan la necesidad de gestionar grandes volúmenes de información.

Resumen: