Las técnicas de neuroimagen se han convertido en herramientas fundamentales para la investigación de los trastornos neurodegenerativos. Estas técnicas permiten recolectar una gran cantidad de datos de alta resolución sobre la estructura, la funcionalidad y la conectividad del cerebro, esenciales para comprender los cambios neurobiológicos que subyacen a estas enfermedades.   En este contexto, los modelos de inteligencia artificial (IA) se han posicionado como una de las herramientas más prometedoras para el análisis de este tipo de información. La capacidad de los modelos de IA en la identificación de patrones complejos y no lineales a partir de este tipo de imágenes, ha permitido avances significativos en la predicción de la evolución clínica y cognitiva de los pacientes.   En esta línea, el trabajo presentado se centra en el diseño y desarrollo de modelos de IA capaces de integrar datos multimodales procedentes de distintas técnicas de neuroimagen, así como información sobre la conectividad cerebral. Mediante modelos basados redes neuronales profundas y enfoques de aprendizaje supervisado y no supervisado, se presentan modelos que persiguen predecir el declive cognitivo asociado a estas patologías. Los resultados esperados tienen el potencial de mejorar la identificación temprana de pacientes en riesgo, optimizar estrategias de intervención y contribuir al desarrollo de herramientas con aplicaciones clínicas directas..

En este trabajo abordamos el uso de Long Short-term Memory Neural Networks (LSTM) para predecir los niveles de glucosa en sangre en sistemas wearables. Las redes neuronales LSTM, diseñadas para series temporales, combinan memoria a largo y corto plazo para mantener información casi inalterada a través del tiempo. Además, son unas redes neuronales simples computacionalmente lo que las hace adecuadas para dispositivos wearables. En una primera fase se comparan diez modelos de redes neuronales de última generación utilizando el conjunto de datos OhioT1DM, evaluando su precisión en predicciones de 30, 60 y 120 minutos. En una segunda fase implementamos uno de los modelos en una FPGA. Primero implementamos la versión más fiel que nos permite la FPGA que usamos como referencia. Después aplicamos distintas técnicas de optimización, en el consumo de energía sobre ese modelo. Por último, hemos creado una versión en Android y otra en iOS para poder comparar el modelo optimizado con los dispositivos wearables que más usamos, los smartphones. Finalmente, se concluye que las redes neuronales LSTM optimizadas son prometedoras para sistemas portátiles de predicción de glucosa, con futuras investigaciones enfocadas en un selector de redes neuronales y una herramienta software que sea capaz de generar LSTMs sobre FPGAs de manera rápida y sencilla.

La detección de anomalías en procesos industriales, especialmente en unidades compresoras de refinerías, es fundamental para el mantenimiento predictivo y la toma de decisiones de mantenimiento. Este proceso aporta información crucial durante los procedimientos de refinado de petróleo. Los métodos tradicionales de detección de anomalías resultan insuficientes ante la creciente complejidad y el volumen de datos actuales. Los patrones anómalos son difíciles de identificar debido a la alta dimensionalidad que suele aparecer en la estructura de los datos (por ejemplo, al trabajar con imágenes y textos) y a los patrones temporales que evolucionan a lo largo del tiempo. Además, los dispositivos industriales requieren cada vez más la capacidad de detectar anomalías a gran escala para maximizar su disponibilidad. Por esta razón, aplicar los modelos convencionales se ha vuelto más complicado, ya que a menudo no logran identificar anomalías en estos casos. El objetivo principal de esta presentación es, de forma sucinta, evaluar diferentes combinaciones de técnicas de detección de anomalías. Se comenzará con una visión general de los enfoques univariantes (estadísticos) y multivariantes (basados en la reducción dimensional mediante variedades) y se concluirá con la presentación de un conjunto de enfoques y algoritmos basados en aprendizaje profundo para abordar este problema..

Quantum error correction (QEC) is a fundamental technique essential for building a feasible quantum computer. However, with current technology, implementing QEC remains resource-intensive, requiring both quantum and classical resources. One potential way to reduce these resource demands is by optimizing the state preparation process for QEC, specifically by increasing the success rate of obtaining an accepted state. This improvement is achieved through a noise-aware compilation technique, which is the focus of my ongoing research. By tailoring the compilation process to the specific noise characteristics of a quantum processor, this method enhances the overall fidelity of quantum algorithms. This is particularly beneficial for superconducting quantum processors with limited connectivity. The focus of this presentation is to demonstrate the effectiveness of the noise-aware compilation technique towards the state preparation in QEC by using quantum polar codes as a case study on real superconducting quantum processors with limited connectivity.