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
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
La identificación de zonas afectadas por deformaciones del terreno y el estudio de sus factores desencadenantes son fundamentales para la prevención y mitigación de riesgos geológicos. Actualmente, el European Ground Motion Service (EGMS) de Copernicus ofrecen una enorme cantidad de datos de movimientos del terreno con cobertura europea; sin embargo, a pesar de su potencial, siguen siendo muy poco utilizado en la gestión de riesgos y emergencias. Esto se debe, en gran medida, a la dificultad técnica de extraer y procesar información relevante de forma ágil y operativa a partir de volúmenes de datos masivos. Este TFM propone el desarrollo de un flujo de trabajo para analizar masivamente datos del EGMS sobre deformación del terreno. El alumno trabajará en la automatización de la extracción de series temporales InSAR y su integración con variables ambientales y geofísicas (como precipitación, sismicidad, humedad). El objetivo es aplicar técnicas de Ciencia de Datos e Inteligencia Artificial para identificar patrones de aceleración, analizar correlaciones multivariables y explorar la causalidad entre los factores disparadores y los movimientos del terreno.
Contacto: aguilarf@ifca.unican.es
El TFM tiene como objetivo mejorar la metodología de espectroscopía Raman de cultivos de bacterias medidos en gota seca, usando técnicas de machine learning no supervisado. La medida de cultivos líquidos es complicada y se recurre a la técnica de gota seca, dejando secar una gota de cultivo y midiendo el precipitado. Pero las bacterias se distribuyen de forma no homogénea y se requiere buscar los espectros “buenos”. El TFM propone realizar medidas en el laboratorio (con bacterias inocuas) obteniendo de forma automatizada espectros Raman en toda la superficie de la gota seca, para a continuación utilizar técnicas de análisis de los miles de espectros obtenidos que permitan estudiar la heterogeneidad de los espectros, porqué son diferentes, y cuáles son los más adecuados para detectar e identificar las bacterias. Se prevé usar técnicas no supervisadas de clusterización, detección de anomalías, explicabilidad de los modelos y similares. El trabajo involucra aprender sobre el tratamiento de señales Raman en aplicaciones biomédicas, así como la selección, implementación y validación de los algoritmos.
Contacto: adolfo.cobo@unican.es
El objetivo del trabajo será evaluar la efectividad de algoritmos de inteligencia artificial (por ejemplo, Variational Autoencoders) para la detección en tiempo real de piezas defectuosas a partir de imágenes. En una primera fase, el estudiante participará activamente en el montaje del setup para la toma de datos en una empresa candidata que genere una gran cantidad de piezas/productos por unidad de tiempo, de modo que no sea posible evaluar “a ojo” la calidad de todas las piezas producidas. Se requerirá la instalación de una fotocélula para detectar la pieza saliente en la línea de producción y de una cámara que dispare al paso de la pieza. Posteriormente, se analizarán las imágenes y se entrenará el modelo para demostrar que es capaz de identificar correctamente las piezas defectuosas. En la fase final, si el tiempo lo permite y los resultados previos son satisfactorios, se cuantificará el modelo (con QKeras o similar) y se realizarán simulaciones de latencia con vistas a su futura implementación en una FPGA para realizar inferencias en tiempo real.
¿Cómo puede descubrir de forma autónoma un sistema de IA las reglas que aplican en un entorno? Este TFM explorará cómo construir “world models” capaces de identificar objetos, estados y relaciones, y aprender reglas que describan sus posibles transformaciones. El objetivo es estudiar mecanismos que permitan pasar de la observación de ejemplos a una representación composicional, interpretable y reutilizable del conocimiento. Este enfoque conecta con nuevas arquitecturas de IA que buscan aprender no solo qué ocurre, sino por qué ocurre y qué puede ocurrir después.
Contacto: jesus.marco@csic.es
Se propone realizar un trabajo de análisis automatizado de imágenes fuente de Resonancia magnética craneal en pacientes con ictus para la extracción de características estandarizadas mediante máscaras libres de cara a estudiar su implicación pronóstica y relación con marcadores de inflamación. El trabajo se realizará en el entorno hospitalario del HUM Valdecilla realizando tareas de exportación y procesado de imagenes, así como el trabajo de análisis estadístico posterior con las características obtenidas de la imagen. Se realizará mediante herramientas de procesamiento automatizado de imágenes médicas para la extracción de características anatómicas y su posterior análisis estadístico en relación con variables clínicas y marcadores de inflamación. Se precisan conocimientos básicos en programación y análisis de datos (preferiblemente Python o R), valorándose experiencia en procesamiento de imágenes médicas, entornos Linux y análisis estadístico.
Se propone desarrollar servidores MCP para diferente tipo de instrumentación en un laboratorio biomédico y explorar la realización de experimentos completos totalmente controlados por LLMs (modelos en la nube y modelos locales).
Un microscopio holográfico permite detectar partículas y microorganismos en agua bajo un flujo elevado, generando una gran cantidad de patrones holográficos. Se plantea en este trabajo analizar automáticamente las imagénes holográficas para detectar la presencia de estos microorganismos y desarrollar modelos de machine learning para su identificación. La propuesta incluye experimentos en el laboratorio.
Las redes neuronales de pulsos (spiking neural networks) transfieren la dinámica neuronal estudiada desde los trabajos de Santiago Ramón y Cajal al dominio de la inteligencia artificial. Permiten de diseñar sistemas de adquisición de datos inovadores en todas las tareas que tengan una dimensión temporal. Por otro lado, la computación de reservorio (reservoir computing) consiste en desarrollar sistemas constituidos por redes neuronales recurrentes (que también tienen una dimensión temporal) muy sobredimensionadas y por unas pequeñas capas de clasificación a la salida de la red recurrente: la característica es que, en el entrenamiento de este sistema, los pesos de la red recurrente se congelan, de forma contraintuitiva, pero el sistema es capaz de aprender tareas igualmente. En este TFM se estudiará la dinámica de redes neuronales de reservorio pero con neuronas spiking, con (si el tiempo lo permite) una pequeña aplicación a la física de partículas.
La diferenciación automática (AD) permite de calcular derivadas de funciones implementadas en ordenadores. Entre otras aplicaciones, estas derivadas son útiles en muchos entornos para hacer solucionar con descenso de gradiente problemas de optimización y de ajustes de parámetros. En el contexto de física de altas energias, AD permite de mejorar sistemáticamente el diseño de detectores basado en simulaciones integrales (end-to-end) de detectores. El trabajo se enfocará en la colleción, por nanohilos, de los señales de luz de duchas hadronicas en un calorímetro homogéneo. Los nanohilos se pueden montar en una red, y el señal que proporcionan se transmite por impulsos de luz de forma modulada temporalmente, y se re-codifica usando computación neuromórfica, es decir, usando redes neuronales “spiking” inspiradas en neuronas realistas. Esta técnica permite de obtener una computación local, rápida y eficiente del punto de vista energético, resultando en la generación de “primitivas” de alto nivel para la medida de precisión de las duchas hadronicas y la identificación de las partículas en el calorímetro.
High-amplitude Rossby waves (HARWs) are unusually large and quasi-stationary oscillations in the position of the mid-latitude jet stream that can persist for multiple weeks. These oscillations appear as wave structures that permit the poleward migration of subtropical air masses in the wave ridges and the equatorward migration of polar air masses in the wave troughs. HARWs can become circum-global, and recent studies have shown that they play an important role in several major climate extreme events observed in recent decades such as heatwaves, droughts, or heavy rainfall that can appear at the same time in widely separated regions. This Master Thesis will focus on the development of a data-driven methodology for the automatic detection and tracking of HARWs using gridded atmospheric reanalysis datasets. The work will involve the analysis of large geospatial and temporal datasets, feature extraction, pattern recognition, and the design of robust algorithms to characterize the evolution of Rossby wave events. The resulting record will be used to investigate long-term trends and variability in HARW properties. In a second stage, the methodology will be applied to simulations from global climate models, enabling a quantitative assessment of model realism through comparison with observational datasets. This work will form the baseline for developing robust future climate forecasts and projections of HARWs. The project combines climate data science, time-series analysis, pattern detection, spatio-temporal data mining, and model evaluation, providing practical experience in the analysis of large environmental datasets and the development of reproducible scientific workflows.
Climate change is expected to increase heat stress worldwide, posing a growing threat to the health and productivity of outdoor workers, particularly in agriculture. This work aims to quantify how this risk may evolve throughout the 21st century by combining high-resolution climate projections, advanced data science techniques, and demographic information. Using regional climate simulations from the CORDEX-CORE initiative, we will develop global projections of the Wet Bulb Globe Temperature (WBGT), a key indicator of heat stress. Particular attention will be paid to the number of days exceeding a WBGT threshold of 26°C, associated with hazardous conditions for outdoor work. Several univariate and multivariate bias-adjustment techniques will be evaluated to improve the reliability of the projections, allowing changes in heat stress to be assessed over time and across different global warming levels. Finally, climate projections will be combined with demographic estimates of the agricultural workforce to identify regions where workers may face the greatest increase in exposure to dangerous heat conditions.The results will help identify vulnerable regions and provide valuable insights for climate adaptation strategies and the protection of outdoor workers worldwide.
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
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
La identificación de zonas afectadas por deformaciones del terreno y el estudio de sus factores desencadenantes son fundamentales para la prevención y mitigación de riesgos geológicos. Actualmente, el European Ground Motion Service (EGMS) de Copernicus ofrecen una enorme cantidad de datos de movimientos del terreno con cobertura europea; sin embargo, a pesar de su potencial, siguen siendo muy poco utilizado en la gestión de riesgos y emergencias. Esto se debe, en gran medida, a la dificultad técnica de extraer y procesar información relevante de forma ágil y operativa a partir de volúmenes de datos masivos.
Este TFM propone el desarrollo de un flujo de trabajo para analizar masivamente datos del EGMS sobre deformación del terreno. El alumno trabajará en la automatización de la extracción de series temporales InSAR y su integración con variables ambientales y geofísicas (como precipitación, sismicidad, humedad). El objetivo es aplicar técnicas de Ciencia de Datos e Inteligencia Artificial para identificar patrones de aceleración, analizar correlaciones multivariables y explorar la causalidad entre los factores disparadores y los movimientos del terreno.
Contacto: aguilarf@ifca.unican.es
El TFM tiene como objetivo mejorar la metodología de espectroscopía Raman de cultivos de bacterias medidos en gota seca, usando técnicas de machine learning no supervisado. La medida de cultivos líquidos es complicada y se recurre a la técnica de gota seca, dejando secar una gota de cultivo y midiendo el precipitado. Pero las bacterias se distribuyen de forma no homogénea y se requiere buscar los espectros “buenos”. El TFM propone realizar medidas en el laboratorio (con bacterias inocuas) obteniendo de forma automatizada espectros Raman en toda la superficie de la gota seca, para a continuación utilizar técnicas de análisis de los miles de espectros obtenidos que permitan estudiar la heterogeneidad de los espectros, porqué son diferentes, y cuáles son los más adecuados para detectar e identificar las bacterias. Se prevé usar técnicas no supervisadas de clusterización, detección de anomalías, explicabilidad de los modelos y similares. El trabajo involucra aprender sobre el tratamiento de señales Raman en aplicaciones biomédicas, así como la selección, implementación y validación de los algoritmos.
Contacto: adolfo.cobo@unican.es
El objetivo del trabajo será evaluar la efectividad de algoritmos de inteligencia artificial (por ejemplo, Variational Autoencoders) para la detección en tiempo real de piezas defectuosas a partir de imágenes. En una primera fase, el estudiante participará activamente en el montaje del setup para la toma de datos en una empresa candidata que genere una gran cantidad de piezas/productos por unidad de tiempo, de modo que no sea posible evaluar “a ojo” la calidad de todas las piezas producidas. Se requerirá la instalación de una fotocélula para detectar la pieza saliente en la línea de producción y de una cámara que dispare al paso de la pieza. Posteriormente, se analizarán las imágenes y se entrenará el modelo para demostrar que es capaz de identificar correctamente las piezas defectuosas. En la fase final, si el tiempo lo permite y los resultados previos son satisfactorios, se cuantificará el modelo (con QKeras o similar) y se realizarán simulaciones de latencia con vistas a su futura implementación en una FPGA para realizar inferencias en tiempo real.
Contacto: Pedro Fernández Manteca <pedro.fernandez.manteca@cern.ch>
¿Cómo puede descubrir de forma autónoma un sistema de IA las reglas que aplican en un entorno? Este TFM explorará cómo construir “world models” capaces de identificar objetos, estados y relaciones, y aprender reglas que describan sus posibles transformaciones. El objetivo es estudiar mecanismos que permitan pasar de la observación de ejemplos a una representación composicional, interpretable y reutilizable del conocimiento. Este enfoque conecta con nuevas arquitecturas de IA que buscan aprender no solo qué ocurre, sino por qué ocurre y qué puede ocurrir después.
Contacto: jesus.marco@csic.es
Se propone realizar un trabajo de análisis automatizado de imágenes fuente de Resonancia magnética craneal en pacientes con ictus para la extracción de características estandarizadas mediante máscaras libres de cara a estudiar su implicación pronóstica y relación con marcadores de inflamación. El trabajo se realizará en el entorno hospitalario del HUM Valdecilla realizando tareas de exportación y procesado de imagenes, así como el trabajo de análisis estadístico posterior con las características obtenidas de la imagen. Se realizará mediante herramientas de procesamiento automatizado de imágenes médicas para la extracción de características anatómicas y su posterior análisis estadístico en relación con variables clínicas y marcadores de inflamación. Se precisan conocimientos básicos en programación y análisis de datos (preferiblemente Python o R), valorándose experiencia en procesamiento de imágenes médicas, entornos Linux y análisis estadístico.
Contacto: juanmartaen@gmail.com
Se propone desarrollar servidores MCP para diferente tipo de instrumentación en un laboratorio biomédico y explorar la realización de experimentos completos totalmente controlados por LLMs (modelos en la nube y modelos locales).
Contacto: adolfo.cobo@unican.es
Un microscopio holográfico permite detectar partículas y microorganismos en agua bajo un flujo elevado, generando una gran cantidad de patrones holográficos. Se plantea en este trabajo analizar automáticamente las imagénes holográficas para detectar la presencia de estos microorganismos y desarrollar modelos de machine learning para su identificación. La propuesta incluye experimentos en el laboratorio.
Contacto: adolfo.cobo@unican.es
Las redes neuronales de pulsos (spiking neural networks) transfieren la dinámica neuronal estudiada desde los trabajos de Santiago Ramón y Cajal al dominio de la inteligencia artificial. Permiten de diseñar sistemas de adquisición de datos inovadores en todas las tareas que tengan una dimensión temporal. Por otro lado, la computación de reservorio (reservoir computing) consiste en desarrollar sistemas constituidos por redes neuronales recurrentes (que también tienen una dimensión temporal) muy sobredimensionadas y por unas pequeñas capas de clasificación a la salida de la red recurrente: la característica es que, en el entrenamiento de este sistema, los pesos de la red recurrente se congelan, de forma contraintuitiva, pero el sistema es capaz de aprender tareas igualmente. En este TFM se estudiará la dinámica de redes neuronales de reservorio pero con neuronas spiking, con (si el tiempo lo permite) una pequeña aplicación a la física de partículas.
Contacto: vischia@uniovi.es
La diferenciación automática (AD) permite de calcular derivadas de funciones implementadas en ordenadores. Entre otras aplicaciones, estas derivadas son útiles en muchos entornos para hacer solucionar con descenso de gradiente problemas de optimización y de ajustes de parámetros. En el contexto de física de altas energias, AD permite de mejorar sistemáticamente el diseño de detectores basado en simulaciones integrales (end-to-end) de detectores. El trabajo se enfocará en la colleción, por nanohilos, de los señales de luz de duchas hadronicas en un calorímetro homogéneo. Los nanohilos se pueden montar en una red, y el señal que proporcionan se transmite por impulsos de luz de forma modulada temporalmente, y se re-codifica usando computación neuromórfica, es decir, usando redes neuronales “spiking” inspiradas en neuronas realistas. Esta técnica permite de obtener una computación local, rápida y eficiente del punto de vista energético, resultando en la generación de “primitivas” de alto nivel para la medida de precisión de las duchas hadronicas y la identificación de las partículas en el calorímetro.
Contacto: vischia@uniovi.es
High-amplitude Rossby waves (HARWs) are unusually large and quasi-stationary oscillations in the position of the mid-latitude jet stream that can persist for multiple weeks. These oscillations appear as wave structures that permit the poleward migration of subtropical air masses in the wave ridges and the equatorward migration of polar air masses in the wave troughs. HARWs can become circum-global, and recent studies have shown that they play an important role in several major climate extreme events observed in recent decades such as heatwaves, droughts, or heavy rainfall that can appear at the same time in widely separated regions. This Master Thesis will focus on the development of a data-driven methodology for the automatic detection and tracking of HARWs using gridded atmospheric reanalysis datasets. The work will involve the analysis of large geospatial and temporal datasets, feature extraction, pattern recognition, and the design of robust algorithms to characterize the evolution of Rossby wave events. The resulting record will be used to investigate long-term trends and variability in HARW properties. In a second stage, the methodology will be applied to simulations from global climate models, enabling a quantitative assessment of model realism through comparison with observational datasets. This work will form the baseline for developing robust future climate forecasts and projections of HARWs. The project combines climate data science, time-series analysis, pattern detection, spatio-temporal data mining, and model evaluation, providing practical experience in the analysis of large environmental datasets and the development of reproducible scientific workflows.
Contacto: brandssf@ifca.unican.es
Climate change is expected to increase heat stress worldwide, posing a growing threat to the health and productivity of outdoor workers, particularly in agriculture. This work aims to quantify how this risk may evolve throughout the 21st century by combining high-resolution climate projections, advanced data science techniques, and demographic information. Using regional climate simulations from the CORDEX-CORE initiative, we will develop global projections of the Wet Bulb Globe Temperature (WBGT), a key indicator of heat stress. Particular attention will be paid to the number of days exceeding a WBGT threshold of 26°C, associated with hazardous conditions for outdoor work. Several univariate and multivariate bias-adjustment techniques will be evaluated to improve the reliability of the projections, allowing changes in heat stress to be assessed over time and across different global warming levels. Finally, climate projections will be combined with demographic estimates of the agricultural workforce to identify regions where workers may face the greatest increase in exposure to dangerous heat conditions.The results will help identify vulnerable regions and provide valuable insights for climate adaptation strategies and the protection of outdoor workers worldwide.
Contacto: rodrigo.manzanas@unican.es