Page 14 - Guía de bienvenida CIMAT

Estos son algunos ejemplos de proyectos de investigación vigentes
Machine-Learning-Assisted Real-Time Simulations and Uncertainty Quantifications for Infectious Disease Outbreaks.
Responsable: Dra. Leticia Ramírez Ramírez
El objetivo general de este proyecto es sentar las bases para desarrollar modelos epidemiológicos estadísticos integrales y cuantificar la incertidumbre en la predicción de la propagación de enfermedades infecciosas bajo conectividades dinámicas globales y de autorregulación. En el proyecto se pone en juego la experiencia en estadística computacional y se aplican métodos de problemas inversos computacionales paralelos a gran escala, cuantificación de incertidumbre y matemáticas computacionales.
Las metas de este proyecto son:
- Desarrollar un modelo epidémico matemático-estadístico integral que considere tanto las transmisiones locales como las globales y sus incertidumbres asociadas. Desarrollar algoritmos computacionales eficientes y precisos para simular el modelo resultante.
- Desarrollar modelos de aprendizaje automático para acelerar la simulación, la estimación de parámetros y los problemas de cuantificación de incertidumbre para el modelo epidémico, con el fin de producir pronósticos probabilísticos confiables casi en tiempo real.
- Identificar valores de umbral de modelo importantes para evaluar el impacto y la eficiencia de los métodos de intervención.
Con lo anterior, se espera que los modelos epidémicos desarrollados sean una confiable de predicción para la toma correcta de decisiones e intervenciones oportunas, en caso de futuros brotes infecciosos.
Modelos de Generadores Antagónicos Formales en Redes Neuronales Artificiales para la Solución de Problemas Inversos
Responsable: Dr. Mariano Rivera Meraz
El objetivo de este proyecto es realizar investigación en el ámbito de Redes Neuronales Artificiales (RNA) profundas con el propósito de extenderlos usando conocimiento de dominios formales para mejorar su interpretación y reducir los datos requeridos. Pretende también desarrollar técnicas para reducir la complejidad e incrementar la eficiencia computacional de las RNA profundas, con el fin de: