Resumen:

Supercomputers are the fastest computers in the world. They are built with up to millions of processors and their associated memories, exchanging information through an interconnection network that allows for minimal latency and high bandwidth. Supercomputers can execute programs that require performing many operations on large amounts of data. The concept of artificial intelligence originated in 1956, but it wasn't until a few years ago that the existence of large amounts of data and supercomputers allowed us to train large neural networks with results that are surprising to everyone, including their creators. A recent example is ChatGPT5. At the same time, artificial intelligence is changing the way we solve problems using supercomputers, allowing problems to be solved that were previously unattainable using supercomputers alone. One example is the folding of a protein from the amino acid sequence that produces it. Supercomputers and artificial intelligence require super-fast chips and better programming techniques. The battle for these chips is the most important worldwide geopolitical issue on a technical level. That battle is being won by US companies, such as Nvidia and Apple in chip design, and Taiwanese companies, such as TSMC, in manufacturing. Europe has many supercomputers, some of them included in the top-10 list. We develop and run programs on them at the same level as the most advanced centers in the US and Japan. We also use them to develop and run related programs based on artificial intelligence technologies, such as unsupervised machine learning. However, Europe neither designs nor manufactures any of these advanced chips. In this talk, we will discuss the four topics mentioned above, emphasizing European efforts focused on the design of these super-fast chips based on the RISC V standard philosophy

Resumen:

La Zona Metropolitana del Valle de México presenta recurrentes episodios de contingencia ambiental debidos a altas concentraciones de ozono troposférico y material particulado (PM10 y PM2.5), lo que representa un riesgo para la población, por lo que es necesario contar con mejores herramientas para el pronóstico de altas concentraciones tanto para alertar a la población como a los tomadores de decisiones. Se presenta un sistema operativo de pronóstico de contaminantes atmosféricos basado en aprendizaje automático. El sistema estima concentraciones horarias de ozono, PM10 y PM2.5 con un horizonte flexible de 1 a más de 24 horas. El sistema integra las observaciones recientes de contaminantes atmosféricos y variables meteorológicas pronosticadas generadas por el modelo Weather Research and Forecasting (WRF). El modelo implementado tiene una arquitectura híbrida que combina un módulo autorregresivo, para predecir series temporales de concentraciones y de promedios de concentraciones de contaminantes, con un módulo que permite una eficiente asimilación de variables y pronósticos meteorológicos. La arquitectura se basa en una combinación de Vision Transformers y redes densas. Los pronósticos meteorológicos utilizados son generados por el modelo regional WRF-ARW, en un clúster de alto desempeño de 110 núcleos Intel Xeon E5-2670 desarrollado por el grupo Interacción Océano-Atmósfera del Instituto de Ciencias de la Atmósfera y Cambio Climático. El entrenamiento del modelo se realizó utilizando una unidad de procesamiento gráfico (GPU) NVIDIA RTX 4000 con 16 Gb de memoria RAM y 6144 núcleos cuda.

Resumen:

En este trabajo, presentamos cómo el supercómputo mejoró la eficiencia en la realización de simulaciones de derrames de hidrocarburos. El objetivo fue optimizar la realización de simulaciones de derrames diarios con 26 años de datos. Conocer la trayectoria de un derrame es clave para su atención y contención, y las simulaciones de trayectorias usando métodos lagrangianos son importantes para ello. Sin embargo, la capacidad de cómputo es una limitante significativa. Por lo tanto, implementamos la paralelización de estas simulaciones para siete ubicaciones en el Golfo de México. Esta paralelización se realizó mediante una implementación en Python para los códigos de simulación y utilizando SLURM para la asignación de recursos. Empleamos el clúster Ometeotl del Grupo IOA-ICAyCC, UNAM, utilizando 10 nodos de cómputo con 24 núcleos cada uno, 128 gb de ram y procesador Intel Xeon V3, lo que resultó en un speedup de 4.5. Por cada pozo, se obtuvieron 9,490 simulaciones, sumando un total de 66,430 simulaciones de derrames, cada una con una duración de 90 días. En términos de tiempo, la generación de todas estas simulaciones tardó 36 horas en paralelo, a comparación de los 6 días que se requerían en su versión secuencial. Esta paralelización nos brinda la oportunidad de realizar miles de corridas para la construcción de escenarios o pronósticos de derrames. Lo que se puede aprovechar para ofrecer información rápida y oportuna ante incidentes de este tipo para la toma de decisiones en beneficio de la sociedad y el medio ambiente.

Resumen:

Resumen:

Una de las aplicaciones más interesantes de la Inteligencia artificial (IA), que ayuda a impulsar el trabajo de investigación de cualquier área, es la extracción y organización de información relevante que se encuentra publicada de forma dispersa en cientos de artículos científicos. Se trata de miles de piezas de información que han sido descubiertas y publicadas por muchos laboratorios en el mundo y que están esperando para ser recopiladas y estructuradas. Una vez estructuradas, ofrecen una mirada global y muchas veces jerárquica sobre un fenómeno de estudio. En esta conferencia, presentaremos el caso de la extracción de piezas de información de conocimiento biológico-biomédico, específicamente en el área de regulación de genes en bacterias, y su organización en redes. Utilizando cientos de artículos disponibles en una base de datos de literatura científica y grandes modelos de lenguaje, ilustraremos las capacidades y limitaciones de la IA para organizar conocimiento biológico-biomédico disperso y apoyar el estudio de bacterias de relevancia clínica.

Resumen:

Los avances recientes en entornos inmersivos han transformado la forma en que se interpretan las imágenes médicas, habilitando experiencias más intuitivas y eficaces para el análisis radiológico. Este trabajo presenta un entorno integrado de visualización médica que combina visores 2D en Oculus Quest 2 con un sistema de diagnóstico asistido por redes neuronales convolucionales (CNN), orientado a la detección de COVID-19 en estudios radiográficos. La arquitectura propuesta incluye tres visores principales: (1) un visor conectado a un servidor PACS Orthanc para acceso local a imágenes DICOM; (2) un visor web general para revisión multiplataforma; y (3) un visor rápido en red que incorpora historial clínico y análisis en tiempo real. En este último se implementa un modelo CNN desarrollado en Python (TensorFlow/Keras), entrenado en Google Colab y desplegado mediante Flask, con OpenCV y PIL para preprocesamiento de imágenes. El sistema propuesto permite una exploración inmersiva y dinámica de estudios radiológicos, integrando análisis automatizado mediante IA con una visualización interactiva de alta precisión. Esta sinergia tecnológica apoya significativamente los tiempos de interpretación y fortalece la precisión diagnóstica, facilitando la toma de decisiones clínicas en contextos críticos. Los resultados preliminares evidencian no solo una experiencia de usuario más rica para el personal médico, sino también un aumento en la eficiencia operativa. En conjunto, esta propuesta representa un paso firme hacia la democratización del acceso a tecnologías médicas avanzadas, promoviendo equidad diagnóstica en instituciones con recursos limitados.

Resumen:

El patron de empaquetamiento que adoptan los átomos y/o moléculas en un sólido afecta las propiedades macroscópicas de éste, por ejemplo: punto de fusión, solubilidad, estabilidad, bioavilidad, propiedades mecánicas, etc. Conocer la relación entre la estructura y las propiedades de un material es de gran importancia para determinar su aplicación . Sin embargo, muchos compuestos pueden adoptar múltiples arreglos cristalinos, por lo cual resulta de interés predecir las formas cristalinas energéticamente accesibles asociadas a una molécula dada, y las propiedades fisicoquímicas relacionadas. Para lo anterior, resulta poco práctico el uso de métodos de estructura electrónica (EE) debido al elevado costo computacional que esto representa. No obstante, los campos de fuerza ( CF) son una alternativa de menor requerimiento computacional que relaciona propiedades geométricas con cantidades numéricas asociadas (energía, fuerzas, etc.). En el presente trabajo se obtiene un CF utilizando parametrización selectiva empleando algoritmos basados en la inferencia bayesiana sobre un conjunto de posibles arreglos cristalinos ( pac). Esto nos permite reducir costos tiempo/máquina menores al 5% de lo requerido por métodos de estructura electrónica con errores aceptables. Aplicando el CF a una base amplia de estructuras generadas aleatoriamiente para un caso de estudio (ácido oxálico), se encontró que aquellas estructuras de más baja energía, se asemejan a los polimorfos conocidos.

Resumen:

Esta tesis se presenta un estudio acerca de la implementación de ensambles de redes neuronales artificiales (RNAs) para mejorar el análisis de curvas de Bragg en la espectroscopía nuclear enfocada en la hadronterapia. Las curvas de Bragg, generadas por espectrómetros de iones pesos, poseen datos importantes de la energía total del ion y el pico de Bragg, pero su procesamiento es afectado por el ruido de la señal obtenida. Para mejorar la calidad de las señales, se entrenaron 30 RNAs con arquitecturas idénticas y conjuntos de datos sintéticos que simulan curvas de Bragg con un ruido gaussiano del 10%. Se utilizaron dos métodos de combinación de predicciones: promedio simple y promedio ponderado, aplicados en dos tipos de enfoques: (1) época fija de mínimo error de validación promedio y (2) épocas individuales de mínimo error por RNA. Los resultados mostraron que los ensambles (4 a 25 RNAs) superan el rendimiento individual, reduciendo el error cuadrático medio (ECM). El ensamble de 25 RNAs presentó el mejor desempeño, aunque la inclusión de todas las 30 RNAs aumentó ligeramente el ECM debido a modelos menos precisos. Se identificó que los valores atípicos afectan significativamente los resultados, sugiriendo preprocesamiento de datos y métodos de aprendizaje más robustos.

Resumen:

Resumen:

La metagenómica ha transformado la manera en que se estudia la diversidad viral y microbiana en ecosistemas humanos, animales y ambientales. Sin embargo, la identificación de virus y sus proteínas altamente divergentes continúa siendo un reto debido a la escasa representación en bases de datos de referencia. Para superar estas limitaciones, hemos desarrollado diversas aplicaciones basadas en inteligencia artificial y supercómputo, que permiten avanzar en la caracterización de virus. Entre ellas destaca VirDetect-AI, un clasificador taxonómico de secuencias virales eucariotas construido con redes neuronales profundas convolucionales y residuales, entrenado en la supercomputadora Miztli de la UNAM. Este modelo, entrenado con millones de secuencias y parámetros, alcanza un desempeño sobresaliente y es capaz de identificar virus conocidos y lejanamente relacionados, aportando un marco sólido para la vigilancia genómica de patógenos emergentes. De manera complementaria, se presentarán otras aplicaciones en desarrollo: (i) estrategias de enriquecimiento y actualización de bases de datos virales; (ii) clasificadores de proteínas de fagos, orientados a descubrir nuevas funciones y ampliar el conocimiento del repertorio proteico viral y del microbioma; y (iii) modelos predictivos de interacciones fago–bacteria, esenciales para explorar la dinámica del microbioma y su impacto en la salud. En conjunto, estos proyectos ilustran cómo la integración de aprendizaje profundo y supercómputo de alto rendimiento está impulsando la frontera de la virología computacional, desde la detección de virus desconocidos hasta el descubrimiento de nuevas proteínas virales con relevancia biológica y clínica.

Resumen:

La adquisición de imágenes por resonancia magnética es un proceso lento y costoso, limitando su acceso en sistemas de salud con recursos restringidos. En México, esta situación se agrava por la baja disponibilidad de equipos: existen menos de 3 resonadores por cada millón de habitantes, lo que genera tiempos de espera prolongados y retrasa diagnósticos críticos. Una alternativa prometedora es el uso de técnicas de súper-resolución con aprendizaje profundo, capaces de reconstruir imágenes de alta calidad a partir de adquisiciones aceleradas. El modelo presentado de súper-resolución se basa en una arquitectura de red generadora que incorpora una entrada dual: la imagen de RM en baja resolución como los coeficientes de la Wavelet Scattering Transform (WST) que capturan información estadística multi-escala. Usamos bloques residuales con módulos de atención para mejorar la sensibilidad a patrones anatómicos relevantes. Además, la WST se incorpora como función de pérdida, aprovechando que no requiere entrenamiento, aumentando la interpretabilidad y reduciendo el tiempo de entrenamiento.

Resumen:

Resumen:

Entre las más de cien mil personas desaparecidas o no localizadas en México, existen alrededor de 1300 casos en donde estuvieron involucradas fuerzas de seguridad del Estado en el periodo conocido como Guerra Sucia (1964-1985). Durante la comisión de estas violaciones graves a los derechos humanos, se dejó un rastro en la forma de documentos administrativos, telegramas, expedientes, confesiones, etc. Todo estos documentos, de la era pre-digital, pueden ser procesados usando técnicas de visión por computadora y de procesamiento de lenguaje natural, y a partir de ellos extraer información que pueda ser utilizada para indagar el paradero de estas personas. Esta información se puede estructurar en la forma de Gráfos de Conocimiento, que se pueden interrogar e integrar con otras fuentes de datos. En esta plática, hablaré sobre el proyecto Angelus (2019-2024) comisionado por la Comisión Nacional de Busqueda de Personas, y las subsecuentes evoluciones de las tecnologías ahí desarrolladas, que ponen las técnicas de inteligencia artificial, intensivas en el uso de recursos de cómputo, al servicio de la sociedad, las humanidades y las ciencias sociales.

Resumen:

Moderadora

Dra. Ana María Martínez Vázquez
Consejo Académico del Área de las Ciencias Físico Matemáticas y de las Ingenierías

Panelistas

Dr. Alberto Vela Amieva
Cinvestav-Zacatenco

Dr. Héctor Benítez Pérez
DGTIC

Juan Carlos Rosas Cabrera
IPICYT

Dr. Marco Antonio Moreno Ibarra
Director General de Desarrollo, Transferencia de Tecnología e Innovación.
Secretaría de Ciencia, Humanidades, Tecnología e Innovación (SECIHTI)

Dr. Mateo Valero
Barcelona Supercomputer Center

Dr. Ulises Cortes
Barcelona Supercomputer Center