Se pretende validar una herramienta de análisis avanzado de imagen desarrollada por el grupo de investigación en enfermedades cerebrovasculares del Hospital de Fe y la Universidad Politécnica de Valencia en una cohorte independiente recogida en el hospital Valdecilla de las que se disponen imágenes para procesar y aplicar el modelo. Se incluye la formación específica para aplicación del modelo y la intención de publicación científica asociada.
Contacto: juanmartaen@gmail.com
El trabajo consistirá en el análisis del comportamiento de los precios en los mercados de valores, utilizando datos reales de mercado. Con esa información se podrá plantear una gestión de carteras mediante técnicas de optimización, un análisis de la rentabilidad y el riesgo y la realización de backtesting para evaluar la performance de diferentes estrategias de inversión.
Contacto: carlos.lopez@unican.es
Some of the most severe impacts provoked by climate change are related to the increasing frequency of combined temperature and humidity conditions leading to heat stress that can affect human and animal well-being and health. In this context, the Temperature-Humidity Index (THI) has been specifically developed to quantify and monitor the heat stress different livestock species are subjected to, aiming to reduce animal suffering and productivity losses. However, the numerical methods that are used to project the long-term evolution of the climate system (including temperature and humidity) are known to exhibit systematic errors, which need to be corrected in order to produce reliable future projections. To do so, a variety of statistical techniques exist, being the so-called bias adjustment methods the most popular ones. Nonetheless, most of these methods are independently built to correct each target variable (based on historical records) and are not capable to properly maintaining the observed inter-variable dependencies, a key limitation for the case of multi-variate indices such as the THI. This TFM will evaluate the usefulness of an ensemble of state-of-the-art regional climate models (RCMs) to reproduce the observed THI in a selection of hot-spots for livestock farming. To do so, the student will test different implementations of multi-variate bias adjustment methods and examine their potential added value with respect to classical uni-variate implementations. Based on the best-performing configurations found, the final goal will be to provide projections of the THI at a local scale up to 2100. This will allow for assessing the suitability of different types of livestock (cattle, dairy, sheep, poultry, and swine) over the next decades, yielding recommendations that could help policymakers in developing improved adaptation strategies to climate change.
Contacto: rodrigo.manzanas@unican.es
Uno de los principales problemas para aplicar técnicas de aprendizaje automático en el ámbito de la monitorización de la calidad del agua es la ausencia de suficientes datos, pues en muchos casos las variables a monitorizar son complicadas de obtener. En este trabajo se plantea la posibilidad de ampliar los conjuntos de datos disponibles aplicando técnicas como las Redes Generativas Adversarias (GANs) y comprobar si los datos generados permiten alcanzar una mejor eficacia en los modelos predictivos de calidad del agua.
Contacto: castrillo@ifca.unican.es
El proyecto se aborda en dos fases: en la primera, se utilizarán técnicas de clustering para categorizar las centrales nucleares en familias según su composición química y condiciones de operación. En la segunda fase, desarrollaremos modelos predictivos para estimar la fragilización de los aceros de dichas vasijas, específicos para cada familia previamente definida.
Contacto: diego.ferreno@unican.es
Empleo de PINNs (Physics-informed neural networks) para predecir y extrapolar la fragilización de aceros en vasijas nucleares bajo condiciones de operación superiores a las actualmente conocidas.
Contacto: diego.ferreno@unican.es
Se trata de especializar un modelo abierto de lenguaje a gran escala (LLM Llama) en un área de investigación interdisciplinar (por ejemplo, búsqueda de materia oscura) utilizando la información en repositorios abiertos (como Arxiv). Se comparará la capacidad del asistente para contestar consultas específicas, con la de diferentes expertos.
Contacto: jesus.marco@csic.es
Se revisarán modelos de procesado de señales (sonido, imágenes) mediante redes neuronales recurrentes computacionales. En particular, se analizará la relevancia de incluir mecanismos inhibitorios. En concreto, se probarán modelos “spiking” en Matlab y otros modelos de redes neuronales recurrentes en python.
Contacto: jesus.marco@csic.es
Dadas las limitaciones computacionales y físicas de los modelos climáticos, estos generan proyecciones con una baja resolución espacial. Esto es un problema para los usuarios que necesitan información climática a alta resolución (escala regional). El downscaling estadístico resuelve esto aprendiendo la relación estadística entre la baja y alta resolución. Recientemente, dados los avances en el campo de la inteligencia artificial, los modelos de deep learning han emergido como candidatos para aprender esta relación estadística. Sin embargo, estos modelos son considerados cajas negras, ya que no es posible saber de forma exacta qué relación aprenden sobre los datos. Esto disminuye la confianza de los usuarios en las proyecciones generadas con estos modelos, ya que no es posible saber si la relación aprendida tiene sentido físico. Recientemente, en el ámbito de la visión por computador, han surgido un grupo de técnicas conocidas como eXplainable Artificial Intelligence (XAI) que permiten interpretar las relaciones aprendidas por los modelos de deep learning. En este TFM se propone explorar estas técnicas para interpretar la relación aprendida por los modelos de deep learning en el downscaling estadístico de la temperatura.
Contacto: gonzabad@ifca.unican.es
The METACLIP framework (METAdata for CLImate Products, https://metaclip.org/) is a language-independent solution for describing the provenance of climate products. It provides a comprehensive approach for identifying, extracting, linking, and assembling the information needed to fully describe a climate product’s provenance. METACLIP leverages semantics and the web standard Resource Description Framework (RDF) by developing domain-specific extensions of standard ontologies like PROV-O. This scheme has been successfully implemented in several international initiatives, notably in the IPCC AR6 Interactive Atlas. However, a definitive solution for a user-friendly interaction with the large amount of metadata stored remains an ongoing challenge, which forms the basis of this Master’s Thesis proposal. The aim is to develop an AI interface that extends the capabilities of METACLIP with Retrieval-Augmented Generation (RAG), an AI framework that combines the capabilities of Large Language Models (LLMs) and information retrieval systems. This Master’s Thesis is ideal for students with an interest in semantic web technologies and artificial intelligence, particularly in their application to climate science and climate services.
Contacto: bediaj@unican.es
En este trabajo de fin de máster, se aborda la crucial tarea de desplegar modelos generativos avanzados como asistentes de código, con un enfoque particular en su integración fluida con dos entornos de desarrollo líderes, JupyterLab y Visual Studio Code (VSCode). La investigación se centra en la optimización de la experiencia del usuario y la sincronización efectiva entre los modelos generativos y los entornos de desarrollo online, con el objetivo de mejorar la eficiencia y la precisión en la creación y edición de código. Se explorarán estrategias para superar desafíos específicos asociados con la integración de estos modelos en entornos en línea, garantizando una interacción armoniosa y potenciando la productividad de los desarrolladores. Este trabajo contribuirá al avance en el despliegue práctico de modelos generativos, marcando un hito significativo en la evolución de la asistencia automatizada en el desarrollo de software.
Contacto: aloga@ifca.unican.es
Se pretende validar una herramienta de análisis avanzado de imagen desarrollada por el grupo de investigación en enfermedades cerebrovasculares del Hospital de Fe y la Universidad Politécnica de Valencia en una cohorte independiente recogida en el hospital Valdecilla de las que se disponen imágenes para procesar y aplicar el modelo. Se incluye la formación específica para aplicación del modelo y la intención de publicación científica asociada.
Contacto: juanmartaen@gmail.com