Diseño de Algoritmos y Procesamiento de Datos Multidimensionales (HDSP)

La inteligencia artificial combina optimización numérica, aprendizaje automático, procesamiento de datos y principios físico-matemáticos para extraer patrones, realizar inferencias y apoyar la toma de decisiones en problemas complejos del mundo real.

A diferencia de los enfoques puramente basados en datos, esta línea busca desarrollar esquemas de inteligencia artificial que incorporen relaciones físicas, matemáticas y estructurales de los fenómenos estudiados, permitiendo construir modelos más interpretables, robustos y adaptables a escenarios con datos limitados, ruidosos o heterogéneos.

Esta línea se orienta al desarrollo fundamental de métodos capaces de analizar datos de diferentes modalidades y extraer información de alto nivel, con aplicaciones en áreas como óptica computacional, imágenes geofísicas, percepción remota, imágenes médicas, entre otras.

Las imágenes espectrales constituyen un campo interdisciplinario que combina diseño óptico, adquisición de datos, procesamiento de señales y algoritmos computacionales para capturar e interpretar información visual más allá de la intensidad y el color convencional.

A diferencia de los sistemas de imagen tradicionales, que registran principalmente información espacial en bandas limitadas del espectro visible, los sistemas de imagen espectral buscan medir la respuesta de una escena a través de múltiples longitudes de onda, permitiendo revelar propiedades físicas, químicas o materiales que no son directamente observables en una imagen convencional.

Esta línea aborda el diseño, implementación y caracterización de sistemas ópticos y computacionales para la adquisición de datos espectrales, con el fin de apoyar tareas de alto nivel como clasificación, detección, identificación y caracterización de materiales u objetos.

La imagen computacional es un campo interdisciplinario que combina diseño óptico, procesamiento de señales y algoritmos computacionales para capturar, reconstruir e interpretar información visual más allá de los límites de la fotografía convencional.

A diferencia de los sistemas de imagen tradicionales, donde la cámara busca producir una imagen directamente fiel a la escena, los sistemas de imagen computacional codiseñan el hardware de captura y los algoritmos de reconstrucción para extraer información que de otro modo sería inaccesible, como profundidad, espectro, campo de luz, dinámica temporal o propiedades físicas de los materiales.

El procesamiento y diseño sísmico integra adquisición de datos, modelado físico-matemático, procesamiento de señales e inteligencia artificial para reconstruir e interpretar información del subsuelo a partir de mediciones indirectas.

A diferencia de los enfoques sísmicos convencionales, que suelen depender de geometrías de adquisición densas y regulares, esta línea explora estrategias computacionales y modelos guiados por principios físicos capaces de operar en escenarios de muestreo escaso, irregular o incompleto.

Mediante el diseño e implementación de algoritmos de inversión, redes neuronales y métodos avanzados de reconstrucción, se busca obtener imágenes del subsuelo que permitan caracterizar estructuras geológicas, mejorar la interpretación sísmica y extraer información relevante a partir de datos limitados o complejos.

El procesamiento de datos multidimensionales es un campo que combina procesamiento avanzado de señales, inteligencia artificial, representación matemática y algoritmos computacionales para analizar, reconstruir e interpretar información contenida en datos de alta dimensión.

A diferencia de los enfoques tradicionales, que suelen tratar señales, imágenes o mediciones como estructuras aisladas o de baja complejidad, esta línea aborda datos complejos con múltiples dimensiones espaciales, temporales, espectrales o estructurales, tales como imágenes, video, señales, datos espectrales y arreglos de alta dimensión.

El objetivo es diseñar e implementar métodos que permitan representar, comprimir, reconstruir y extraer información relevante de estos datos, apoyando tareas de clasificación, detección, estimación, predicción y toma de decisiones.

Un agente es un sistema computacional autónomo, capaz de tomar decisiones mediante la interacción con su entorno. Durante su entrenamiento, el agente participa en un ciclo continuo de retroalimentación: observa el estado actual del entorno, utiliza una red neuronal profunda para elegir una acción orientada a alcanzar una meta a largo plazo, recibe como respuesta un nuevo estado y una recompensa o penalización, y ajusta su comportamiento para maximizar las recompensas acumuladas en futuros intentos.

Al finalizar el entrenamiento, el agente es capaz de predecir cómo evolucionará el entorno con base en las observaciones del mismo y tomar una decisión que sea de mayor beneficio para la tarea a realizar.

Los agentes tienen aplicaciones en una gran variedad de sistemas inteligentes, como robots capaces de moverse y manipular objetos, videojuegos donde aprenden estrategias para superar niveles o competir contra otros jugadores, vehículos autónomos que deben tomar decisiones en tiempo real, sistemas de recomendación que aprenden las preferencias de los usuarios, asistentes virtuales que pueden planificar tareas, y modelos de optimización usados en áreas como logística, finanzas, medicina y automatización industrial.