BECAS JAE 2022

Listado de Proyectos ofertados por los centros CSIC de la CONEXIÓN AIHUB

Identificador del proyecto:JAEIntroAIHUB22-01
Tutor/es: Jordy Levy
Grupo de investigación: Lógica y Razonamiento, IIIA-CSIC
Dirección del Centro: Can Planes s/n Campus UAB, 08193 Barcelona
Título del proyecto: Rethinking SAT Solving
Resumen del proyecto: From a theoretical and a practical perspective, SAT is a crucial problem in computer science. From a theoretical point of view, SAT is NP-complete, which means that we cannot expect to solve SAT problems efficiently, in the worst case. Problems are difficult to solve in the average case. If we chose at random an unsatisfiable SAT instance, with uniform probability, almost sure it will have a super-polynomial resolution proof. Since all SAT solvers are based on resolution, this implies a severe limitation. However, modern SAT solvers are able to solve efficiently huge industrial or real-world instances. Obviously, the reason is that these instances share some structural properties that we still do not understand completely. Unfortunately, all modern SAT solvers are based on the same techniques (learning, restarts, clause deletion, cdots), and in the last years, there have no been relevant advances in this direction. In order to overcome these difficulties, we are exploring radically distinct approaches to SAT solving. On the one hand, we are getting a better understanding of the structure of industrial instances. On the other hand, we are exploring the use of distinct proof systems that overcome the limitations of resolution, such as Sherali-Adams, or even the reduction of SAT to MaxSAT and the use of MaxSAT resolutions.
Ficha del proyecto: JAEIntroAIHUB22-01

Identificador del proyecto: JAEIntroAIHUB22-02
Tutor/es: David Zueco y Teresa Sancho-Lorente
Grupo de investigación: Instituto de Nanociencia y Materiales de Aragón (INMA)
Dirección del Centro: C/ Pedro Cerbuna, 12 – 50009 Zaragoza
Título del proyecto: Quantum machine Learning for medical diagnosis
Resumen del proyecto: In this work, the student will learn what quantum machine learning is (i.e. AI algorithms run in a quantum computer). In particular the technique of support vector machines and the so called quantum kernels. Once familiarized with the technique, we will apply it to a classification problem. The idea is to work with real medical data (provided by ITA and CIBA of Zaragoza). The student, with this data, will try to distinguish between healthy and sick patients. The work will end with a critical analysis of the results and their comparison with classical methods.
Ficha del proyecto:

Identificador del proyecto: JAEIntroAIHUB22-03
Tutor/es: Eduardo Hernández
Grupo de investigación: Instituto de Ciencias de los Materiales de Madrid (ICMM)
Dirección del Centro: Sor Juana Ines de la Cruz 3 Cantoblanco, 28049 Madrid, España
Título del proyecto: Generative Graph Convolutional Neural Networks applied to Materials Science Problems
Resumen del proyecto: In this project we aim to use Graph Convolutional Neural Networks to accelerate the design and theoretical analysis of crystalline, amorphous and molecular materials. Specifically, our aim is to design generative systems such as Variational Auto-Encoders (VAE) or Generative Adversarial Networks (GAN) capable of working with graphs, that can be trained on existing materials databases, and used in order to create new crystal or molecular structures with desirable structural or chemical/physical properties. This field of research is at the cutting edge of the application of Artificial Intelligence techniques to Materials Science and Condensed Matter Physics..
Ficha del proyecto: JAEIntroAIHUB22-03

Identificador del proyecto: JAEIntroAIHUB22-04
Tutor/es: Sergio Gutiérrez-Rodrigo and Luis Martin-Moreno
Grupo de investigación: Instituto de Nanociencia y Materiales de Aragón (INMA)
Dirección del Centro: C/ Pedro Cerbuna, 12 – 50009 Zaragoza
Título del proyecto: Partial differential equations in Nanophotonics solved with Physics-Informed Neural Networks
Resumen del proyecto: A relatively little known and recently developed facet is the use of AI to solve Partial Differential Equations (PDE) by means of Physics-Informed Neural Networks (PINNs). This type of neural networks allows solving all types of differential equations, whether ordinary or partial, with one or several variables, single equations or systems of equations. These PINNs have been used, for example, to solve the Schrödinger equation, in fluid physics to solve the Navier-Stokes equations or in photonics. In the Institute of Nanoscience and Materials of Aragón (INMA), which is a joint Institute between CSIC and the University of Zaragoza, we initiated the study of simple differential equations (first and second order) with PINNs, in the context of a Final Degree Project. Our aim here is to continue this work going further simple differential equations, trying to solve the PDEs appearing in the problems our group is currently involved in the area of Nanophotonics.
Ficha del proyecto: JAEIntroAIHUB22-04

Identificador del proyecto: JAEIntroAIHUB22-05
Tutor/es: Francesc Moreno-Noguer and Mariella Dimiccoli
Grupo de investigación: Instituto de Robótica e Informática Industrial
Dirección del Centro: Carrer de Llorens i Artigas, 4, 08028 Barcelona
Título del proyecto: 3D human pose estimation from egocentric videos of social interactions
Resumen del proyecto: Understanding social interactions from a first-person perspective has compelling applications in Assistive Robotics and Augmented/Virtual reality. A crucial cue for social interaction understanding is the body pose of interacting people, which is paramount in nonverbal communication. However, estimating the body pose of the camera wearer from first-person (egocentric) videos is a challenging task since the camera wearer is largely out of view from a typical wearable camera. This project aims at addressing this challenge by leveraging inter-person interaction dynamics and 3D scene context. The method will be validated using the recently introduced Egobody dataset: https://sanweiliti.github.io/egobody/egobody.html.
Ficha del proyecto: JAEIntroAIHUB-05

Identificador del proyecto: JAEIntroAIHUB22-06
Tutor/es: Dave de Jonge
Grupo de investigación: Sistemas Multiagente, IIIA-CSIC
Dirección del Centro: Can Planes s/n Campus UAB, 08193 Barcelona
Título del proyecto: Automated Negotiation for Supply Chain Management
Resumen del proyecto: The topic of automated negotiation deals with autonomous agents that are purely self-interested but that still need to cooperate to ensure beneficial outcomes. Each agent may propose potential solutions to the other agents, which may then accept or reject those proposals. Although each agent is self-interested, its proposals must still benefit the others because otherwise they would never accept them. Therefore, a good negotiating agent must strike a balance between maximizing its own utility and maximizing the utility of its opponents. A typical example is the case of a buyer and a seller that are bargaining over the price of a car. The goal of this project is to implement a negotiating agent (in Python) that negotiates on behalf of a factory manager situated in a supply chain management simulation. The goal of this agent is to maximize its profit of the factory manager, given its private production capabilities, by negotiating trades with other agents. The agent can engage in several bilateral negotiations simultaneously. If successful, the algorithm could be submitted to participate in the Automated Negotiating Agents Competition (ANAC) 2023, which will take place in London.
Ficha del proyecto: JAEIntroAIHUB22-06

Identificador del proyecto: JAEIntroAIHUB22-07
Tutor/es: Mariella Dimiccoli
Grupo de investigación: Instituto de Robótica e Informática Industrial
Dirección del Centro: Carrer de Llorens i Artigas, 4, 08028 Barcelona
Título del proyecto: Unsupervised learning of multimodal word meaning representations
Resumen del proyecto: Semantic knowledge provides the foundation for many of our everyday nonverbal behaviors. To crack an egg on a bowl, for example, one must recognize the egg and the bowl, infer their unobserved qualities (the egg is hard-shelled and liquid inside, the bowl is rigid and a container, etc.) and deploy the appropriate action in service of the current goal. All these tasks require semantic knowledge about both the objects and the actions. To provide robotic systems with the knowledge about objects required to interact with them, this project will address the problem of learning semantic object representations jointly from multiple modalities. The framework will be based on Graph Convolutional Neural Networks, which have recently proven to be successful in dealing with graph structured data and are therefore specially suited for modelling semantic representations.
Ficha del proyecto: JAEIntroAIHUB22-07

Identificador del proyecto: JAEIntroAIHUB22-08
Tutor/es: J. Ignacio Serrano and M. Dolores del Castillo
Grupo de investigación: Grupo de Ingeniería Neural y Cogntiva (gNeC). Centro de Automática y Robótica, CAR-CSIC
Dirección del Centro: Ctra. M300 Campo Real, Km 0,200 Arganda del Rey – 28500 Madrid
Título del proyecto: Técnicas de aprendizaje profundo para la decodificación de intenciones a partir de actividad electroencefalográfica dinámica de fuentes en interfaces cerebro-máquina
Resumen del proyecto: Después de más de 40 años desde la aparición del concepto de interfaces cerebro-computador (Brain-computer/machine interfaces, BCIs/BMIs) su uso todavía no se ha extendido a la vida diaria ni tampoco a la práctica clínica (Kübler, 2020). A pesar del avance y abaratamiento de la tecnología hardware de medición no invasiva de la actividad cerebral, en concreto de la actividad electroencefalográfica (EEG), existen todavía algunas limitaciones que han impedido a los BMIs basados en EEG consolidarse como una interfaz no invasiva eficaz y robusta. Entre dichas limitaciones se encuentra la cantidad y detalle de la información que se puede extraer a partir de la actividad EEG. La gran mayoría de enfoques se centran en características frecuenciales o temporales de la actividad EEG utilizando clasificadores clásicos. Sin embargo, aún no se han explorado en profundidad las fuentes corticales extraídas de la actividad EEG (Zorzos et al., 2021) y menos aún sus características dinámicas. En este proyecto se propone investigar técnicas de aprendizaje profundo adecuadas a series temporales (Fawaz et al., 2019) aplicándolas a las fuentes extraídas de la actividad EEG en diferentes ventanas temporales para obtener una decodificación de las intenciones “mentales” más precisa y con mayor nivel de detalle.
Ficha del proyecto: JAEIntroAIHUB-08

Identificador del proyecto: JAEIntroAIHUB22-09
Tutor/es: Júlia Borràs and Guillem Alenya
Grupo de investigación: Instituto de Robótica e Informática Industrial
Dirección del Centro: Carrer de Llorens i Artigas, 4, 08028 Barcelona
Título del proyecto: Development of perception skills for building coherent explanations during robotic manipulation
Resumen del proyecto: In the context of the CHIST-ERA project COHERENT, we are investigating how a robotic system composed of different layers of intelligent systems can generate coherent explanations about the robot’s intentions behind an action or the reasons for failure. Such explanations provided not only at the end of a task but during the manipulation can ensure a more trustworthy relationship during robotic assistive tasks. In this framework, the student will work with methods to provide explainability at the perception level to algorithms used to recognize the different scene states during a task, emphasizing the uncertainty quantification of the recognized parameters/states. This will contribute to the explainability of the overall system. The student will collaborate closely with the COHERENT team that is already working at the decision-making and action execution levels, with the objective of studying how to represent the knowledge learned at the different levels in a way that can be used to synthesize explanations. The project has a duration of 9 months that will allow the student to learn new techniques and to train and evaluate the solution in realistic scenarios. Collaboration with international partners and scientific publications is expected.
Ficha del proyecto: JAEIntroAIHUB22-09

Identificador del proyecto: JAEIntroAIHUB22-10
Tutor/es: Ángela Ribeiro
Grupo de investigación: Grupo de Percepción Artificial, Centro de Automática y Robótica (CAR-CSIC)
Dirección del Centro: Ctra. M300 Campo Real, Km 0,200 Arganda del Rey – 28500 Madrid
Título del proyecto: Estrategia evolutiva para la generación y entrenamiento automáticos de Redes Neuronales Convolucionales (CNN) eficientes para la clasificación de imágenes
Resumen del proyecto: Las redes neuronales convolucionales (CNN) se aplican con mucho éxito en visión por computador, en concreto en tareas de detección y clasificación de objetos. Las primeras arquitecturas CNN se han obtenido a partir de elaborados procesos de diseño en el que la pericia del diseñador ha sido la clave. Así los desarrollos disponibles son fruto de años de esfuerzo e ingenio. El grupo GPA está actualmente trabajando en la aplicación de estrategias evolutivas para la obtención y entrenamiento de arquitecturas CNN optimizadas para entornos y tareas específicos. El estudiante se integraría en esta línea de investigación que ya ha proporcionado resultados muy interesantes. Con el trabajo propuesto, tendrá la oportunidad de acercarse a áreas de IA tan interesantes como la visión por computador, el aprendizaje automático, el aprendizaje profundo, la optimización a través de algoritmos evolutivos; todo ello aplicado a la resolución de un problema complejo importante en la agricultura como es la detección temprana de plagas. Tendrá asimismo la oportunidad de acceder al centro de supercomputación CESGA y participar en la elaboración de un artículo científico. Posibilidad de desarrollar TFM..
Ficha del proyecto: JAEIntroAIHUB22-10

Identificador del proyecto: JAEIntroAIHUB22-11
Tutor/es: Javier Portilla
Grupo de investigación: Ciencias de la Imagen y la Visión (IVIS), Instituto de Óptica, CSIC
Dirección del Centro: C/ Serrano, 121, 28006 Madrid
Título del proyecto: Deterministic feature decoupling applied to improving deep neural networks performance
Resumen del proyecto: A major problem when extracting discrete features (explicit global functions) from data is their algebraic mutual dependence. Recently, we have devised a method, termed «Nested Normalization», for obtaining decoupled features from given sets of algebraically coupled ones. This method consists in performing an ODE-based sequential feature normalization, which provides, in favorable cases, new features having mutually orthogonal gradients. We have demonstrated in several analysis examples (for texture classification and statistical regression) that such a feature orthogonalization typically has a strongly positive effect on the performance of feature-based analysis tasks. Furthermore, we have also applied it to signal synthesis and style transfer with highly promising results. In a new research phase, we want to investigate the application of deterministic decoupling to (non-explicit) features automatically learned during the training of deep networks. There are two possible scenarios: in the first one, we started from an already trained convolutional neural network (CNN) define some per-layer features (as spatial averages of neural responses at given layers), and attempt to decouple these features through the different layers. We apply this to improve style transfer. In the second one, we apply the deterministic decoupling concept to try to impose gradient orthogonality to the weights being learned.
Ficha del proyecto: JAEIntroAIHUB22-11

Identificador del proyecto: JAEIntroAIHUB22-12
Tutor/es: David Barbera
Grupo de investigación: Ingenio (CSIC-UPV)
Dirección del Centro: Edifici 8E, acc. J, 4ª planta, Ciutat Politècnica de la Innovació (CPI), Universitat Politècnica de València
Camí de Vera, s/n 46022 VALÈNCIA
Título del proyecto: La IA en imagen médica durante la crisis del Covid-19
Resumen del proyecto: El proyecto consiste en crear y codificar una base de datos de artículos sobre algoritmos AI en imagen médica para la diagnosis y prognosis del Covid-19. Los 320 artículos provienen de una revisión sistemática publicada en Nature Artificial Intelligence (Roberts et al., 2021). La principal tarea del proyecto es clasificar los artículos según la procedencia de los datos de imagen médica computerizada (datos abiertos, proporcionados por un consorcio, etc.), el tipo de algoritmo de AI emplean (deep learning, random forest, support vector machine, etc.) y el tipo de organizaciones que producen los algoritmos y los datos (empresas de alta tecnología, universidades, centros de investigación, etc.). El proyecto se inscribe en una investigación más amplia -enmarcada dentro de las ciencias sociales- acerca de la influencia de las distintas formas de control de los datos sobre la dirección de la actividad innovadora en AI en imagen médica. Las tareas asociadas al proyecto proporcionaran al estudiante un conocimiento amplio sobre los distintos modelos de AI empleados en imagen médica y sobre los problemas asociados al desarrollo de bases de datos en este ámbito, pero en principio no incluyen la programación de algortimos de AI. Además del trabajo de clasificación de artículos, esta investigación emplea otras metodologías cualitativas (como entrevistas con desarrolladores de algoritmos o médicos) que también serán parte de las actividades de formación del solicitante durante el proyecto.
Ficha del proyecto: JAEIntroAIHUB22-12

Identificador del proyecto: JAEIntroAIHUB22-13
Tutor/es: Jorge Villagra
Grupo de investigación: Autopia, Centro de Automática y Robótica (CAR-CSIC)
Dirección del Centro: Ctra. M300 Campo Real, Km 0,200 Arganda del Rey – 28500 Madrid
Título del proyecto: Convergencia del Aprendizaje por Refuerzo y el Control sin Modelo en Conducción Autónoma
Resumen del proyecto: La toma de decisiones para vehículos autónomos ha progresado significativamente en los últimos años, en gran medida por la irrupción de diversos mecanismos de adaptación y aprendizaje. Sin embargo, muchos de ellos requieren conjuntos de datos de entrenamiento muy grandes para cada situación posible de conducción, lo que, unido a su naturaleza difícilmente predecible, complica su adopción en vehículos vendidos a gran escala. En este contexto, el objetivo de este proyecto es investigar estrategias embarcables de decisión y control que combinen una gran capacidad de adaptación al contexto de conducción con un alto grado de verificabilidad. Para ello, se propone analizar el paradigma de Control sin Modelo (determinista, pero extremadamente flexible), combinado con estrategias de aprendizaje por refuerzo inverso. Las estrategias mas prometedoras se diseñarán, implementarán y validarán exhaustivamente sobre simulador, migrando el algoritmo mas eficiente a un prototipo de vehículo autónomo, con el que se realizarán pruebas en circuito cerrado y en carreteras abiertas al tráfico.
Ficha del proyecto: JAEIntroAIHUB22-13

Identificador del proyecto: JAEIntroAIHUB22-14
Tutor/es: M. Dolores del Castillo and J. Ignacio Serrano
Grupo de investigación: Grupo de Ingeniería Neural y Cogntiva (gNeC). Centro de Automática y Robótica, CAR-CSIC
Dirección del Centro: Ctra. M300 Campo Real, Km 0,200 Arganda del Rey – 28500 Madrid
Título del proyecto: Eje intestino-cerebro. Modelos descriptivos y predictivos del papel modulador de la dieta en la actividad cerebral y la función cognitiva
Resumen del proyecto: Durante la última década, la literatura científica acerca de la microbiota y su relación con diversas enfermedades, incluidas las neurológicas, ha crecido vertiginosamente. En el núcleo de todas estas investigaciones se encuentra el concepto eje intestino-cerebro y la existencia de una relación entre la microbiota intestinal y estas patologías. Los efectos de la microbiota no se limitan, pues, a la función intestinal, sino que se extienden al sistema inmune, endocrino, sistema nervioso autónomo y al sistema nervioso central. Sin embargo, a pesar de las evidencias encontradas, es necesario seguir realizando estudios científicos que puedan demostrar la causalidad entre la microbiota y la actividad y función cerebral [1]. La mayoría de los trabajos de investigación sobre este tema, que analizan los cambios de la actividad cerebral y su relación con la alteración de la microbiota, se centran en el estudio de las imágenes de resonancia magnética funcional [2]. En el trabajo que se propone en este proyecto, se analizarán los cambios en la conectividad cerebral en estado de reposo en respuesta a una intervención nutricional en un grupo de participantes mediante la sola captura de la señal electroencefalográfica a través de electrodos activos de superficie. Además de los datos neurofisiológicos, se contará con una amplia gama de información multimodal, que va desde características nutricionales y de estilo de vida, pasando por variables cognitivas hasta características metabólicas, genéticas y metagenómicas. Todos estos datos se analizarán y procesarán mediante técnicas estadísticas y métodos avanzados de aprendizaje automático [3], poniendo el foco de atención en la búsqueda de los modelos descriptivos y predictivos del papel modulador de la dieta en la actividad cerebral y la función cognitiva.
Ficha del proyecto: JAEIntroAIHUB22-14

Identificador del proyecto: JAEIntroAIHUB22-15
Tutor/es: Rafaella Fiorelli and Bernabé Linares-Barranco
Grupo de investigación: Instituto de Microelectrónica de Sevilla (www.imse-cnm.csic.es)
Dirección del Centro: Cl Américo Vespucio, 28. Parque Científico y Tecnológico Cartuja, 41092 Sevilla · Spain
Título del proyecto: Ultra low-power consumption AI for RF control and energy harvesting of neural implants.
Resumen del proyecto: Therapies for neurological pathologies have been strongly focused on pharmacological treatments. These pathologies range from phantom limb pain, peripheral nerve injuries to alterations of the central nervous system, such as epileptic seizures or psychiatric disorders -depression, anxiety or psychotic disorders-, or the treatment of neurodegenerative diseases such as Alzheimer’s or Parkinson’s disease. This is changing due to the possibility of improving the patient’s quality of life by using implantable medical systems. Most of the implantable neurological circuits currently on the market are bulky, interconnected by wires, use batteries and have little possibility of modifying stimulation adaptively and in a short reaction time. In the new implants, it is desired to continue to miniaturize their size to the maximum while reducing their power consumption. In addition, the new neural implants are intended to be powered by harvesting. The project of the successful candidate will consist of getting familiar with implementing and training simple neural networks, embedded in the implantable device, that efficiently control the power supply of the implantable by RF harvesting and communicating with the external base via wireless RF using simple communication protocols. Our group has experience in the design of both on-chip neural networks for epileptic seizure detection and low-power radio frequency integrated circuits for communications. The project can be adapted to the candidate’s preferences and prior training, emphasizing more the computational and algorithmic aspects, or setting the strength onto more hardware-specific aspects regarding neural network design and RF circuitry. Schedule and duration of the scholarship are negotiable with the successful candidate in order to adjust them to the candidate’s restrictions and preferences during the training at IMSE.
Ficha del proyecto: JAEIntroAIHUB22-15

Identificador del proyecto: JAEIntroAIHUB22-16
Tutor/es: Juan Antonio Rodriguez Aguilar
Grupo de investigación: Sistemas multiagentes, Instituto de Investigación en Inteligencia Artificial (IIIA-CSIC)
Dirección del Centro: Can Planes s/n Campus UAB 08193 Barcelona
Título del proyecto: Multi-objective reinforcement learning for ethical autonomous driving
Resumen del proyecto: The purpose of this project is to investigate how to exploit multi-objective reinforcement learning to help an agent learn ethical behaviours in a driving environment. On the one hand, we will investigate how to extend a state-of-the-art algorithm to create driving environments where the learning of ethical behaviours is guaranteed while considering a user’s preferences over different ethical objectives. We will empirically study the learning of ethical policies in a simulated driving environment that will be developed as part of the project. As an important aspect of this empirical evaluation, we will investigate whether it is enough for a learning agent to employ low-cost learning algorithms (e.g. Q-learning), or whether instead it is more convenient to resort to Deep Reinforcement Learning. The project will combine recent work by IIIA on multi-objective reinforcement learning for ethical learning with quality guarantees with recent work by ICMAT on decision making models for automated driving systems that consider ethical and operational preferences.
Ficha del proyecto: JAEIntroAIHUB22-16

Identificador del proyecto: JAEIntroAIHUB22-17
Tutor/es: Julia Borras Sol and Maria Alberich-Carramiñana
Grupo de investigación: Robot Perception and Manipulation at IRI (RobIRI)
Dirección del Centro: Carrer de Llorens i Artigas, 4-6, 08028 Barcelona (Spain)
Título del proyecto: Task-oriented semantic classification of cloth configuration states using topological and geometrical indices
Resumen del proyecto: Robotic manipulation of cloth (folding, dressing) is a highly complex task because of its infinite-dimensional shape-state space. In order to manipulate textiles with a robot as autonomously as possible, the robot needs to recognize in which state the piece of cloth is both at the high level (understanding what tasks can be applied to it) and at the low level (to know specific locations of elements that need to be manipulated). The aim of this project is to set a mathematical framework of low-complexity cloth representation in the context of its robotic manipulation (more specifically, folding or unfolding). Following preliminary results from the group, it will focus on the definition and study of topological or geometrical invariants that are able to distinguish between different folded states of a piece of cloth. The project has a duration of 8 months that will allow the student to work in close collaboration with our team to study how the defined measure can be applied to divide the infinite-dimensional cloth state space into task-dependent macro-states that simplify the understanding of the space.
Ficha del proyecto: JAEIntroAIHUB22-17

Identificador del proyecto: JAEIntroAIHUB22-18
Tutor/es: Sergio Gutiérrez-Rodrigo and Luis Martin-Moreno
Grupo de investigación: Instituto de Nanociencia y Materiales de Aragón (INMA)
Dirección del Centro: C/ Pedro Cerbuna, 12 – 50009 Zaragoza
Título del proyecto: Problems in Nanophotonics solved with Deep Operator Networks
Resumen del proyecto: Artificial Intelligence (AI) refers to the set of activities performed by a machine that attempt to replicate behaviours considered intelligent by humans. Today, it encompasses a multitude of fields such as image recognition, autonomous driving or recommender systems. Physics is not blind to these and other recent developments in AI and new techniques are being introduced nowadays. A relatively little known and recently developed facet is the use of AI as a means to surrogate a Mathematical Operator. The technique relies on the Universal Operator Approximation Theorem, which states that a neural network with a simple hidden layer can accurately approximate any nonlinear continuous operator. This theorem suggests the use of deep networks in learning continuous operators from data. In the Institute of Nanoscience and Materials of Aragón (INMA), which is a joint Institute between CSIC and the University of Zaragoza, we initiated the study of mathematical operators to solve simple differential equations, in the context of a Final Degree Project. Our aim here is to continue this work going further simple differential equations, trying to solve the PDEs appearing in the problems our group is currently involved in the area of Nanophotonics.
Ficha del proyecto: JAEIntroAIHUB22-18

Identificador del proyecto: JAEIntroAIHUB22-19
Tutor/es: Txetxu Ausín
Grupo de investigación: Grupo de Ética Aplicada (GEA) y del Grupo Ciencia, Tecnología y Sociedad (CTS), Instituto de Filosofía (IFS-CSIC)
Dirección del Centro: C. de Albasanz, 26, 28037 Madrid
Título del proyecto: Aspectos éticos y sociales para una IA inclusiva y socialmente responsable
Resumen del proyecto: El plan de trabajo que se ofrece es una aproximación a las principales cuestiones éticas y sociales que suscitan los sistemas interactivos basados en IA en ámbitos como el aprendizaje, la toma de decisiones, la agencia, la responsabilidad y la rendición de cuentas. Este plan incluye los siguientes temas:
-Detección y prevención de sesgos en las inteligencias artificiales, con especial atención a la perspectiva de género.
-Injusticia algorítmica y modificación del sentido del mérito, el esfuerzo y la justicia distributiva.
-Realidad humana temporalizada e IA.
-Interacción humano-IA con especial atención a los entornos de asistencia y cuidado.
-Responsabilidad distribuida y daño en IA.
-Privacidad, explicabilidad y auditabilidad de los algoritmos.
-Límites ecológicos de la IA.
Ficha del proyecto: JAEIntroAIHUB22-19

Identificador del proyecto: JAEIntroAIHUB22-20
Tutor/es: Bernabé Linares Barranco
Grupo de investigación: Sistemas neuromórficos, Instituto de Microelectrónica de Sevilla (IMSE)
Dirección del Centro: C/ Américo Vespucio, 28. Parque Científico y Tecnológico Cartuja, 41092 Sevilla · Spain
Título del proyecto: Aprendizaje On-line sobre la plataforma de Intel Loihi Kapoho Bay
Resumen del proyecto: El grupo de sistemas hardware neuromórficos del IMSE desarrolla sistemas y aplicaciones de inteligencia artificial basados en codificación de información mediante impulsos, imitando los impulsos nerviosos de las neuronas biológicas. Este tipo de codificación reduce mucho el flujo de información, resultando en sistemas de menor consumo energético, más portables y potentes. Es el paradigma de computación neuromórfica, una modalidad de inteligencia artificial. Las grandes industrias tecnológicas están apostando fuertemente por este tipo de tecnología para inteligencia artificial (por ejemplo, IBM con su chip TrueNorth, Intel con Loihi, Samsung con sus
sensores de visión DVS). El grupo neuromórfico del IMSE lleva más de 25 años trabajando sobre chips, sistemas, y algoritmos neuromórficos. Tiene 9 patentes, participa en dos empresas spin-off neuromórficas, y ha participado en el desarrollo de los nuevos sensores de Visión neuromórficos DVS (Dynamic Vision Sensors), y chip de convolución neuromórficos. Recientemente ha estabecido colaboración con Intel y dispone de su plataforma Loihi Kapoho Bay, capaz de albergar sistemas con hasta 262K neuronas además de sinapsis con aprendizaje. El proyecto en particular que se propone para el estudiante seleccionado sería, además de familiarizarse con el sistema Loihi y su herramienta python Lava, implementar algún sistema pequeño que interactúe con nuestras cámaras DVS y efectúe algún procesamiento de visión básico en tiempo real. Las particularidades específicas se adaptarán a la formación previa del estudiante y su interés temático.
Ficha del proyecto: JAEIntroAIHUB22-20

Identificador del proyecto: JAEIntroAIHUB22-21
Tutor/es: Guillem Alenya and Adrià Colomé
Grupo de investigación: Robot Perception and Manipulation at IRI (RobIRI)
Dirección del Centro: Carrer de Llorens i Artigas, 4-6, 08028 Barcelona (Spain)
Título del proyecto: Learning to throw complex deformable objects
Resumen del proyecto: In the warehouse logistics of fashion industries often items come inside plastic bags, that need to be distributed in different directions in the warehouse, being picked, distributed in bins, stored, etc. Observing humans, an efficient way to pick and place could be by throwing the items in different bins. This allows improved speed, almost at human capacity. However, this is complex for deformable objects because the dynamics involved in the motion make pre-planned trajectories ineffective. In this project, the student will work on the testing and development of a robotic system consisting of a robotic arm that can grasp plastic bags that contain folded clothes, and throw them into different bins. The student will explore the use of reinforcement learning techniques to learn object and robot dynamics and trajectories. The project has a practical component, and the student will have the opportunity to work in collaboration with an important industrial partner in the fashion sector interested in solving this problem. The project has a duration of 8 months that will allow the student to learn new techniques and to train and evaluate the solution in realistic scenarios.
Ficha del proyecto: JAEIntroAIHUB22-21

Identificador del proyecto: JAEIntroAIHUB22-22
Tutor/es: Claudio Mirasso y Miguel C. Soriano
Grupo de investigación: Instituto de Física Interdisciplinar y Sistemas Complejos (IFISC-CSIC)
Dirección del Centro: Edifici Instituts Universitaris de Recerca, Campus Universitat de les Illes Balears E-07122 Palma, Mallorca
Título del proyecto: Time and wavelength multiplexing in photonics neural networks
Resumen del proyecto: Reservoir computing using a delay-based system will be explored by incorporating time division multiplexing.
Ficha del proyecto: JAEIntroAIHUB22-22

Identificador del proyecto: JAEIntroAIHUB22-23
Tutor/es: Teresa Serrano Gotarredona
Grupo de investigación: Grupo Sistemas Neuromórficos, Instituto de Microelectrónica de Sevilla (IMSE-CSIC)
Dirección del Centro: C/ Américo Vespucio, 28. Parque Científico y Tecnológico Cartuja, 41092 Sevilla
Título del proyecto: Algoritmos de control de sensor con foveacion electronica e implementación hardware
Resumen del proyecto: El grupo de sistemas hardware neuromórficos del IMSE ha desarrollado un sensor de visión bioinspirado con foveación electrónica. El sensor incluye un array de píxeles donde cada píxel genera impulsos eléctricos a la salida que codifican la variación temporal de la luminosidad incidente en el fotosensor del píxel. La fotocorriente generada en los fotosensores de los píxeles contiguos se puede combinar mediante una circuitería de reconfiguración que permite definir regiones de baja resolución y regiones de alta resolución equivalentes, respectivamente, a la visión periférica y la visión fóveal de la retina humana. A diferencia de las retinas biológicas, el sensor permite la configuración de múltiples regiones de foveación. En el proyecto se utilizarán los sensores de visión con foveación electrónica para realizar capturas de escenas dinámicas. Estas escenas servirán para estudiar y desarrollar el control de la configuración de las regiones de foveación. Se propone desarrollar algoritmos inteligentes que reconozcan la localización y tamaño de las regiones de interés mediante la implementación de mecanismos de atención visual. Estos algoritmos se implementarán en FPGAs o en un microcontrolador. El proyecto se enmarca dentro del proyecto europeo en curso Analog PROcessing Of Bioinspired Vision Sensors For 3D Reconstruction (APROVIS3D) PCI2019-111826-2. ACAI_2019. ERANET-Chistera en cooperación con la University of Lille, Institu de Neurosciences de la Timone, IMSE-CNM, Univ. of West Attica, National Tech. Univ. of Athens, ETHZ.
Ficha del proyecto: JAEIntroAIHUB22-23

Identificador del proyecto: JAEIntroAIHUB22-24
Tutor/es: David Arroyo
Grupo de investigación: Instituto de Tecnologías Físicas (ITEFI-CSIC)
Dirección del Centro: C/ Serrano, 144. 28006, Madrid
Título del proyecto: Aplicación de técnicas de análisis de datos y de aprendizaje automático para la caracterización y detección de campañas de ransomware
Resumen del proyecto: La proliferación de ciberataques es una constante que preside nuestro día a día y que atenta contra la continuidad de nuestro modelo de sociedad. El 17 de julio de 2022 el Consejo Superior de Investigaciones Científicas sufrío un ataque de ransomware supuestamente atribuido al grupo de ciber-extorsión Vice Society. Esta incidencia y la respuesta desplegada por parte de la insitución y organismos involucrados en la investigación de este ciberataque pone de relieve la necesidad de desarrollar un protocolo de detección temprana de ciberamenazas. En el caso de ransomware, esto paso por analizar en profunidad los tipos de campañas que se han llevado a cabo en el pasado, tratando de inferir un conjuto base de recomendaciones de la respuesta desplegada por los organismos y actores afectados. El presente proyeto estudiará mediante técnicas de Procesamiento de Lenguaje Natural datasets extraídos de foros de discusión de grupos de ciber-extorsión en la DeepWeb. Ese análisis estará orientado a determinar qué tipo de extorsión se pone en juego en cada tipo de grupo, al mismo tiempo que se extraerá un cronograma con la secuencia temporal de ataques de ransomware en el pasado. Este análisis se complementará con un análisis agregado de redes sociales online (fundamentalmente, Twitter) con objeto de anticipar posibles campañas de ciber-extorsión. El trabajo comprenderá una revisión del estado del arte relativo a la ciber-extorsión de ransomware y las denominadas Amenazas Avanzadas y Persistentes (Advanced Persistent Threats).
Ficha del proyecto: JAEIntroAIHUB22-24

Identificador del proyecto: JAEIntroAIHUB22-25
Tutor/es: Florentino Borondo
Grupo de investigación: Instituto de Ciencias Matematicas (ICMAT)
Dirección del Centro: Campus Cantoblanco UAM, C/ Nicolás Cabrera, 13-15, 28049 Madrid
Título del proyecto: Resolución del EDPs mediante el método de Machine Learning Reservoir Computing
Resumen del proyecto: El método conocido como Reservoir Computing ha sido propuesto recientemente como estrategia de Machine Learning, habiéndose demostrado muy eficiente en diversas aplicaciones. La razón estriba es que sustituye la matriz de aprendizaje por una red compleja que es mucho más flexible para la tarea. Por otra parte, el método es fácilmente transportable al entorno actual y futuro de Quantum Computing, lo que hace prever que se convierta en un método con gran poder de cálculo. Nosotros nos proponemos aplicar al estudio de la ecuación de Schrödinger, una de las EDP más importante dentro del campo de la Física Moderna.
Ficha del proyecto: JAEIntroAIHUB22-25

Identificador del proyecto: JAEIntroAIHUB22-26
Tutor/es: Josep Maria Margarit-Taulé and Cecilia Jiménez-Jorquera
Grupo de investigación: Instituto de Microelectrónica de Barcelona (IMB-CNM-CSIC)
Dirección del Centro: Campus UAB, Carrer dels Tillers, s/n, 08193 Bellaterra, Barcelona
Título del proyecto: Flexible Artificial Chemosensory Neurons and Synapses for Wearable, Continuous, and Non-invasive Cognitive Health Tracking
Resumen del proyecto: This training project is part of our research activities to develop intelligent patches for wearable, continuous, and non-invasive health tracking. The work aims to incorporate the latest advances in neuromorphic engineering, (bio)chemical sensing, printed organic electronics, capillarity microfluidics and sweat science in the integration of an organic artificial chemosensory neural network for delivering chemical perception of health status from biomarkers sensed in sweat. Diverse gate materials and bioreceptors at the solution interfaces will be employed for multi-analyte detection of ions and metabolites. Printed OECTs are gaining significant importance as integral parts for biosensing and neuromorphic computing thanks to their high signal amplification, sub-volt operation, high biocompatibility, ion-driven dynamics, and mechanical flexibility. Despite these properties, their use to analyze complex biofluids is hampered by the cross-sensitivity and limited stability of the transistors. We will apply neuro-inspired processing techniques akin to those recently demonstrated by the two tutors of the project to boost accuracy and augment chemical information in real time from the plural electrochemical biomonitoring to be incorporated in the targeted smart wearable. During the duration of the JAE-Intro, the grantee will have the opportunity to collaborate with a multidisciplinary team with expertise in machine learning, analytical chemistry and electronics. Training activities will include fabrication of OECT arrays on flexible substrates via inkjet printing methods; functionalization by use of ion-selective membranes and enzymes; simulation of the biosensors dynamical response in solutions by means of finite element methods; electrochemical characterization; and familiarization with the advanced scientific equipment available at the printed electronics, chemical transducers and microsystems characterization laboratories of the IMB-CNM-CSIC. The student will also be expected to follow the scientific seminars regularly taught by lead researchers at the institute.
Ficha del proyecto: JAEIntroAIHUB22-26

Identificador del proyecto: JAEIntroAIHUB22-27
Tutor/es: Arantza Oyanguren and Luca Fiorini
Grupo de investigación: Física Experimental de Altas Energías en Colisionadores y Grupo de Física del Bosón de Higgs con el Experimento ATLAS del LHC, Instituto de Física Corpuscular de Valencia (IFIC)
Dirección del Centro: Parc Científic de la Universitat de València C/ Catedrático José Beltrán, 2 E-46980 Paterna · Valencia
Título del proyecto: Development of high-performance reconstruction algorithms in new hardware architectures
Resumen del proyecto: This project addresses the need to achieve sustainable computational systems and to develop new Artificial Intelligence applications that cannot be implemented with the current hardware solutions, due to the requirements of high-speed response and power constraints. The student will work on the development and implementation of particle reconstruction algorithms using low-power accelerators (GPUs and FPGAs), as well as on the real-time processing of massive data. This will be crucial for the upgrade of High Energy Physics experiments (such as ATLAS or LHCb at CERN) in view of the High-Luminosity LHC, and for detecting long lived particles, which are predicted in new physics models. In this type of experiments, it is necessary to reconstruct the signals in real time with a minimum latency and with the maximum possible precision. For this reason, algorithms based on Deep Machine Learning will be developed with FPGAs and GPUs. The operation of the developed algorithms will be studied and their performance will be compared with classical methods. The development of these algorithms is interesting also for their industrial and real life applications.
Ficha del proyecto: JAEIntroAIHUB22-27

Identificador del proyecto: JAEIntroAIHUB22-28
Tutor/es: David Rios Insua
Grupo de investigación: DataLab, Instituto de Ciencias Matemáticas (ICMAT-CSIC)
Dirección del Centro: Campus Cantoblanco UAM, C/ Nicolás Cabrera, 13-15, 28049 Madrid
Título del proyecto: Bayesian adversarial machine learning methods in regression settings
Resumen del proyecto: In multiple domains such as malware detection, automated driving systems, or fraud detection, machine learning algorithms are susceptible of being attacked by malicious agents who are able to perturb the value of the covariates of instances to attain certain goals. Such problems pertain to the field of adversarial machine learning and have been dealt with mostly through game-theoretic ideas with strong underlying common knowledge assumptions. These are not realistic in numerous application domains in relation to security. We have provided an alternative Bayesian framework that accounts for the lack of knowledge about the attacker’s behavior using adversarial risk analysis. Its focus has been on classification problems. In this project we shall focus on regression problems (i.e. with continuous response variables). Tasks include: conceptual extensions to cover regression problems, design of computational strategies to find robustified regression algorithms (including large scale settings) and applications (with emphasis on competitive business decision in finance).
Ficha del proyecto:

Identificador del proyecto: JAEIntroAIHUB22-29
Tutor/es: Luis Alejandro Camuñas Mesa
Grupo de investigación: Grupo de sistemas neuromórficos, Instituto de Microelectrónica de Sevilla (IMSE-CSIC)
Dirección del Centro: C/ Américo Vespucio, 28. Parque Científico y Tecnológico Cartuja, 41092 Sevilla
Título del proyecto: Development of Deep Learning Techniques for Bio-inspired Vision Processing Systems
Resumen del proyecto: The project for the successful candidate will consist in developing neural processing algorithms for visual recognition, focusing on software implementation in a first stage and eventually on hardware platforms. For that the following tasks are identified: (a) getting familiar with the use of DVS (Dynamic Vision Sensor) cameras available at IMSE, understanding their spike-based operation principle and obtaining several datasets under different environments, (b) development of multi-layer spiking neural networks for high-speed processing of visual information provided by DVS cameras, (c) implementation of complete neuromorphic systems with online learning capable of real-time object recognition. For hardware implementation, several platforms are available at IMSE, like SpiNNaker or Loihi computing platforms, and general purpose FPGAs or custom-made chips.
Ficha del proyecto: JAEIntroAIHUB22-29

Identificador del proyecto: JAEIntroAIHUB22-30
Tutor/es: Ignasi Fina Martínez
Grupo de investigación: Instituto de Ciencias de Materiales de Barcelona (ICMB-CSIC)
Dirección del Centro: Universitat Autònoma de Barcelona, Campus de la, Carrer dels Til·lers, s/n, 08193 Bellaterra, BarcelonaTítulo del proyecto: Emerging materials for energy efficient neuromorphic computing
Resumen del proyecto: Von Neumann architecture is ubiquitous in nowadays computers. For neuromorphic data processing applications, Von Neumann architecture result in large computing times and, concomitantly, great power consumption. Thus, new architectures are envisaged. Currently, there is vast family of materials, which are good potential candidates to form the building blocks for the future neuromorphic computing architectures. From this vast family of materials, ferroelectric oxides might present several advantages, mainly in terms of power consumption and reliability. However, the knowledge on good ferroelectric oxide materials integrable in industrial processes is limited. The project aims on the study of new industrially compatible ferroelectric oxides using an important palette of different techniques, ranging from those aimed to characterize the materials at the nanoscale to those used to characterize prototype memory devices.
Ficha del proyecto: JAEIntroAIHUB22-30

Identificador del proyecto: JAEIntroAIHUB22-31
Tutor/es: Carlos Oscar Sorzano Sánchez
Grupo de investigación: Unidad de Biocomputación del Centro Nac. de Biotecnología, CSIC
Dirección del Centro: C. Darwin, 3, 28049 Madrid, Universidad Autónoma de Madrid
Título del proyecto: Desarrollo de algoritmos de procesamiento de imagen para el análisis de estructuras macromoleculares por microscopía electrónica
Resumen del proyecto: La microscopía electrónica se ha establecido como una sólida técnica de determinación de estructuras y complejos macromoleculares. El objetivo es comprender los mecanismos moleculares por los que las macromoléculas llevan a cabo sus funciones fisiológicas, comprender su mal funcionamiento en procesos patológicos y conocer su estructura para poder interactuar con ellas mediante fármacos. El Centro Nacional De Biotecnología del CSIC cuenta con un microscopio de reciente adquisición que se considera el estado del arte a nivel nacional, europeo y mundial. Asimismo, en el centro se encuentran varios grupos cuya línea principal de investigación versa sobre la comprensión de máquinas macromoleculares a partir de información adquirida por este equipo, y entre uno de estos equipos está la Unidad de Biocomputación, dirigidas por los Drs. Carazo y Sorzano. Esta unidad desarrolla algoritmos avanzados de procesamiento de imágenes para la elucidación de dichas estructuras a partir de imágenes de proyección cuya relación señal a ruido se encuentra entre 1/10 y 1/100 (hay entre 10 y 100 veces más ruido que señal). Entre estos algoritmos, los algoritmos basados en machine learning y deep learning juegan un papel fundamental. La unidad está formada por ingenieros, físicos, matemáticos y biólogos permitiendo así una interacción de primera mano con este tipo de datos. Los candidatos a este puesto deben saber programar en Python o C++, y estar familiarizados con los conceptos de estadística, procesamiento de señales o análisis de datos. El software desarrollado se integra en los paquetes de software libre Xmipp (http://xmipp.i2pc.es) y Scipion (http://scipion.i2pc.es) y son accedidos por miles de usuarios distribuidos por todo el mundo (http://scipion.i2pc.es/report_protocols/scipionUsage).
Ficha del proyecto: JAEIntroAIHUB22-31

Identificador del proyecto: JAEIntroAIHUB22-32
Tutor/es: Javier Portilla
Grupo de investigación: Ciencias de la Imagen y la Visión (IVIS), Instituto de Óptica, CSIC
Dirección del Centro: C/ Serrano, 121, 28006 Madrid
Título del proyecto: Building visual metrics via Deep Learning and Riemannian manifolds
Resumen del proyecto: Describing the impact that a perturbation in an ideal image (e.g., caused by blur, noise, quantizing, coding artifacts, etc.) has on its visual appearance is a long-lasted goal, both in visual science (for a better understanding of the human vision) and for engineering applications involving image processing. This is a difficult problem involving both statistics and visual models. These two aspects are connected under the usual assumption that the human visual representation has adapted, through evolution, to the statistics of the images projected on our retinas (the «natural images»). However, with the emergence of the deep learning revolution, both the visual and statistical aspects can be tackled in a new, more powerful, way, through the use of deep networks trained with many thousands or even millions of photographic images. In particular, on the statistical side, recent advances in deep learning have allowed the estimation of a probability density function (pdf) for natural images. This, in turn, opens the door to applying differential geometry concepts, in order to set new metrics adapted to the density distribution of the natural images.
Ficha del proyecto: JAEIntroAIHUB22-32

Identificador del proyecto: JAEIntroAIHUB22-33
Tutor/es: Cefe López
Grupo de investigación: Instituto de Ciencia de Materiales de Madrid, ICMM (CSIC)
Dirección del Centro: C/ Sor Juana Inés de la Cruz 3, 28049 Madrid
Título del proyecto: Redes neuronales de láseres estocásticos
Resumen del proyecto: Los láseres estocásticos son dispositivos fotónicos emisores de luz fáciles de fabricar y que pueden ser integrados en una plataforma material formando una red neuronal. El carácter intrínsecamente no lineal de los láseres dota dicha red de capacidad computacional requerida para encarnar inteligencia artificial. Su emisión omnidireccional, que facilita que cada laser se acopla a muchos otros, y su naturaleza aleatoria anula las demandas de precisión en la fabricación y mejora las posibilidades de acoplamiento mutuo.
Los dispositivos se fabrican practicando agujeros microscópicos (mediante técnicas de ablación láser) en una película de bio-polímero con colorante y bombeando ópticamente el segmento que los une. Estos agujeros hacen las veces de espejos y, por su rugosidad natural, actúan como centros de difusión. Como cada agujero puede pertenecer a varios resonadores, estos pueden acoplarse formando estrellas, cadenas o cualquier configuración imaginable. Este plan permitirá aprender a fabricar redes neuronales elementales y estudiar el acoplamiento entre lásers (sinapsis) en múltiples configuraciones. La interdisciplinariedad del proyecto permite integrar químicos (síntesis de material activo láser), físicos e ingenieros (preparación del sistema fotónico) e incluso informáticos (estudio del funcionamiento mediante algoritmos de inteligencia artificial)..
Ficha del proyecto:

Identificador del proyecto: JAEIntroAIHUB22-34
Tutor/es: Jordi Sabater-Mir
Grupo de investigación: Sistemas multiagentes, Instituto de Investigación en Inteligencia Artificial (IIIA-CSIC)
Dirección del Centro: Can Planes s/n Campus UAB, 08193 Bellaterrra, Barcelona
Título del proyecto: Agent-based simulations and immersive technologies for fire department training
Resumen del proyecto: The use of simulations in virtual environments for the training of emergency forces has proven to be very useful to improve these units’ operational level when faced with a real problem. However, the use of these generic tools has its limitations. One of them is that they do not allow multilevel simulations in which low-ranking units located in the focus of the emergency, middle managers, and high-level managers can participate simultaneously in a single scenario. A scenario of this complexity requires a set of federated simulations that communicate with each other, providing a different level of granularity according to the participant’s tasks and using different interfaces to interact with him/her (CAVE, Virtual Reality, Augmented Reality, standard screens…). During the grant, the candidate will work on how to adapt the information that flows from one simulation to another simulation that is at a different level of abstraction (adding/removing detail) and developing internal agent models for different actors in the simulations (firefighters, fire, smoke, vehicles, etc.). Knowledge of Python and the Unity and/or Unreal Engine video game development environments will be highly valued.
Ficha del proyecto: JAEIntroAIHUB22-34

Identificador del proyecto: JAEIntroAIHUB22-35
Tutor/es: Felip Manyà
Grupo de investigación: Lógica y Razonamiento, Instituto de Investigación en Inteligencia Artificial (IIIA-CSIC)
Dirección del Centro: Can Planes s/n Campus UAB, 08193 Bellaterrra, Barcelona
Título del proyecto: Algoritmos y encodings para resolver el problema MaxSAT
Resumen del proyecto: MaxSAT ofrece un formalismo competitivo para resolver problemas de optimización combinatoria en los que se requiere cálculo simbólico. Dado un problema a resolver, en primer lugar, tenemos que reducirlo a una instancia del problema MaxSAT; es decir, generar una fórmula lógica proposicional, a la que llamamos encoding, que modeliza el problema. En segundo lugar, debemos encontrar una solución óptima para la instancia MaxSAT -utilizando un algoritmo (solver) para MaxSAT- a partir de la cual derivamos una solución óptima para nuestro problema original. La eficiencia de este formalismo depende tanto del encoding como del solver. Una correcta combinación de solver y encoding permite resolver instancias con decenas de miles de variables y cientos de miles de cláusulas. Nuestro grupo tiene una amplia experiencia en el desarrollo de encodings y solvers para MaxSAT, y el objetivo del proyecto es mejorar el rendimiento de nuestros solvers más recientes (MaxCDCL y BandMaxSAT) y definir encodings, para determinados tipos de restricciones y problemas reales, que muestren un elevado rendimiento en estos solvers.
Ficha del proyecto: JAEIntroAIHUB22-35

Identificador del proyecto: JAEIntroAIHUB22-36
Tutor/es: Jose Enrique García Navarro, Carlos Escobar Ibáñez, Verónica Sanz González and Bryan Zaldívar Montero
Grupo de investigación: Física Experimental de Altas Energías en Colisionadores, Instituto de Física Corpuscular (IFIC) (CSIC – Universitat de València)
Dirección del Centro: Carrer del Catedrátic José Beltrán Martinez, 2, 46980 Paterna, Valencia
Título del proyecto: Forecasting hazardous geomagnetically induced currents for Spanish critical infrastructures
Resumen del proyecto: In the last decades, our society has become more interdependent and complex than ever before, being highly dependent on relevant technological structures, such as communications, transport, or power distribution networks. Indeed, solar activity and their associated events, such as solar flares and coronal mass ejections, may provoke disturbances, interruptions, and even long-term damage to our modern critical infrastructures, with drastic social, economic and even political impacts. These phenomena variate the natural electromagnetic fields and can cause geomagnetically induced currents (GICs). Unfortunately, these phenomena and their effects are not yet well understood, and their forecast is still in the early stages of development. This training project, that uses a multidisciplinary approach, aims to understand and forecast, in an unprecedented way in our country, the effects of space weather on the Earth’s surface, and particularly the GICs that flow in long earthed conductors like wired communications, train lines, or power transmission networks. The ultimate goal is to provide a real-time prediction of the GICs from extreme geomagnetic storms on the Spanish critical infrastructures. To achieve this, we use real-time warnings of solar storms from the NASA’s ACE space probe at the Lagrange point 1 in space, which leads to disruptions on Earth some 30-45 minutes later. The student will learn and use advanced deep-learning techniques to study how to use data from ACE to forecast geomagnetic field variations as a needed and preliminary step to provide an early warning system.
Ficha del proyecto: JAEIntroAIHUB22-36

Identificador del proyecto: JAEIntroAIHUB22-37
Tutor/es: Sergio Gutiérrez-Rodrigo and Luis Martin-Moreno
Grupo de investigación: Quantum Materials and Devices, Instituto de Nanociencia y Materiales de Aragón
Dirección del Centro: Campus San Francisco, Facultad de Ciencias, C/ Pedro Cerbuna, 12 – 50009 Zaragoza
Título del proyecto: Mathematical operators and artificial intelligence: a new approach in physics
Resumen del proyecto: Artificial Intelligence (AI) refers to the set of activities performed by a machine that attempt to replicate behaviours considered intelligent by humans. Today, it encompasses a multitude of fields such as image recognition, autonomous driving or recommender systems. Physics is not blind to these and other recent developments in AI and new techniques are being introduced nowadays. A relatively little known and recently developed facet is the use of AI to solve mathematical problems. The last includes Physics-Informed Neural Networks (PINNs), Deep Operator Networks (DeepONet) and Fourier Neural Operator Networks (FNON), among others. In the Institute of Nanoscience and Materials of Aragón (INMA), which is a joint Institute between CSIC and the University of Zaragoza, we initiated several works in the use of these techniques to solve simple differential equations. Our aim here is to extend the possible applications of these techniques to physics and go into their mathematical basis.
Ficha del proyecto: JAEIntroAIHUB22-37

Identificador del proyecto: JAEIntroAIHUB22-38
Tutor/es: Aitor Villafranca Velasco
Grupo de investigación: N2GO: Nonlinear & Nanoscale Guided Optics, Instituto de Óptica
Dirección del Centro: C/ Serrano, 121 28006 Madrid (España)
Título del proyecto: Inteligencia artificial para dispositivos fotónicos integrados de altas prestaciones
Resumen del proyecto: La beca se enmarcará en el campo de la óptica integrada, y más concretamente, en el desarrollo de guías sublongitud de onda (SWG, del inglés subwavelength) optimizadas mediante técnicas de inteligencia artificial. Las guías SWG son estructuras periódicas con un periodo menor que la longitud de onda de la luz que se propaga por ellas (típicamente del orden de los 200 nm). Estas estructuran se comportan como un metamaterial homogéneo, cuyas propiedades pueden modificarse a través del diseño geométrico. Esto permite desarrollar dispositivos integrados de muy altas prestaciones, tales como desfasadores, divisores de potencia, multiplexores, controladores de polarización, etc. Recientemente, la inteligencia artificial ha abierto nuevas vías de diseño para dispositivos ópticos integrados, permitiendo optimizaciones multiparámetricas de arquitecturas previas, e incluso nuevas topologías creadas totalmente mediante técnicas de aprendizaje máquina. En el transcurso de la beca se explorará la aplicación de estas medidas a dispositivos SWG, y se adquirirán conocimientos tanto de diseño óptico como de inteligencia artificial. Se recomienda haber cursado Grado en Física o Ingeniería de Telecomunicaciones.
Ficha del proyecto: JAEIntroAIHUB22-38

Identificador del proyecto: JAEIntroAIHUB22-39
Tutor/es: Juan F. Poyatos
Grupo de investigación: Laboratorio de Lógica de los Sistemas Genómicos, Centro Nacional de Biotecnología (CNB-CSIC)
Dirección del Centro: C. Darwin, 3, 28049 Madrid
Título del proyecto: Aprendizaje causal en sistemas biológicos
Resumen del proyecto: Si fuera posible medir la actividad (o “expresión”) de todos los genes del genoma en una célula podríamos entonces derivar sus relaciones causales -quién activa o suprime a quién- y cómo estas determinan la función celular. Entonces, y seguimos con conjeturas, podríamos entender cómo unas células actúan de forma diferente a otras (por ejemplo, las células cardiacas frente a las células adiposas) y qué pasa cuando una célula deja de funcionar adecuadamente. Por suerte, ya podemos acceder a la primera parte de esta suposición. La tecnología actual nos permite en efecto medir la expresión de todos los genes en célula individuales mediante la secuenciación a gran escala del ARN asociado (esta tecnología se conoce como single-cell RNA sequencing o scRNA-seq). En este proyecto usaremos este tipo de datos de expresión para “aprender” (en el sentido del aprendizaje automático) grafos causales, esto es, qué gen está relacionado causalmente con qué otro gen. Esto nos permitirá inferir redes genéticas y entender cómo la alteración en la estructura de las mismas puede llevar a enfermedades. En un contexto más amplio, el proyecto intentará también evaluar el potencial real de las técnicas actuales de inferencia causal a partir de “BIG data”.
Ficha del proyecto: JAEIntroAIHUB22-39

Identificador del proyecto: JAEIntroAIHUB22-40
Tutor/es: Pedro David García
Grupo de investigación: Instituto de Ciencias de los Materiales de Madrid (ICMM-CSIC)
Dirección del Centro: Campus de Cantoblanco, C. Sor Juana Inés de la Cruz, 3, 28049 Madrid
Título del proyecto: Optomechanical Networks for Neuromorphic Computing
Resumen del proyecto: Von Neumann or Turing machines compute information implementing sequential algorithms that struggles with non-sequential and abstract problems such as image recognition, language translation, decision-making problems, and more. The human brain surpasses the computational power of standard computers when dealing with these tasks. The capacity to learn from examples defines human learning and inspires a radically novel way of information processing: artificial neural networks for neuromorphic computing. A potentially disruptive implementation of neuromorphic computing exploits photons as carriers of information and photonic meshes as an artificial neural network. In this project, we will explore the optomechanical coupling in silicon nanostructures that can be configured to perform neuromorphic computing. Our goal is to get familiar with an experimental setup to measure and readout the mechanical vibrations of the system with optical forces.
Ficha del proyecto: JAEIntroAIHUB22-40

Identificador del proyecto: JAEIntroAIHUB22-41
Tutor/es: Nardine Osman and Jordi Sabater-Mir
Grupo de investigación: Sistemas multiagentes, Instituto de Investigación en Inteligencia Artificial (IIIA-CSIC)
Dirección del Centro: Can Planes s/n Campus UAB, 08193 Barcelona
Título del proyecto: Towards an AI based labour union advisor
Resumen del proyecto: The work to be performed in this JAE intro is in the context of a collaboration with the labour union CCOO and a forthcoming industrial PhD between the IIIA and CCOO. The main goal of the proposed JAE intro is to analyse the different kind of documents, information, and processes that the labour union CCOO uses in the task of counselling workers that have labour conflicts or any kind of employment consultation. Currently, the labour union has a web page that offers different kind of information in the form of documents and videos. We plan to improve that service using a specialized bot that uses the latest AI techniques to provide advice in different situations. The work to be performed during the JAE is the first step towards this ultimate goal and will consist of analysing and preparing (from a computational perspective) the information that the bot will use. This will imply learning and understanding some of the AI techniques that will be used to build the bot.
Ficha del proyecto: JAEIntroAIHUB22-41

Identificador del proyecto: JAEIntroAIHUB22-42
Tutor/es: Jose M. de la Rosa
Grupo de investigación: Instituto de Microelectrónica de Sevilla, IMSE-CNM (CSIC / Universidad de Sevilla)
Dirección del Centro: Cl Américo Vespucio, 28. Parque Científico y Tecnológico Cartuja, 41092 Sevilla
Título del proyecto: Optimización del Diseño de Circuitos Integrados en Tecnologías Micro/Nanométricas mediante Redes Neuronales Artificiales: Aplicación a Sistemas IoT
Resumen del proyecto: El trabajo de investigación propuesto para esta beca JAE-INTRO-AIHUB se enmarca en el ámbito de diversos proyectos coordinados por el tutor, y que tienen como objetivo fundamental el diseño y desarrollo de metodologías de diseño de circuitos integrados analógicos, de señal mixta y radiofrecuencia (RF), asistidos mediante algoritmos de Inteligencia Artificial (IA) con aplicación en dispositivos IoT y sistemas basados en la tecnología denominada radio cognitiva (CR de Cognitive Radio). Esta tecnología permite hacer un uso más eficiente del espectro radioeléctrico mediante el sensado del entorno electromagnético y la identificación de las bandas de frecuencias más adecuadas para realizar la comunicación. En este trabajo se estudiarán métodos de análisis, síntesis y diseño optimizados mediante algoritmos IA basados en redes neuronales artificiales (ANN de Artificial Neural Networks). Aunque el trabajo tiene en cuenta aspectos de todo el sistema de comunicación, la actividad a desarrollar se centra en el diseño de interfaces analógico-digitales cognitivas que permitan realizar una transformación digital más eficiente. Se combinarán técnicas de digitalización de señales de radio con procesamiento de aprendizaje automático (machine learning).
Ficha del proyecto: JAEIntroAIHUB22-42

Identificador del proyecto:JAEIntroAIHUB22-43
Tutor/es: Massimiliano Zanin
Grupo de investigación: Instituto de Física Interdisciplinar y Sistemas Complejos (IFISC-CSIC-UIB)
Dirección del Centro: Campus Universitat de les Illes Balears Carretera de Valldemossa, km 7,5 Edificio Científico-Técnico, 07122 Palma de Mallorca
Título del proyecto: Identifiability of brain functional networks through Deep Learning classification
Resumen del proyecto: During the last decades, the use of statistical physics techniques has shown that brain dynamics shares many characteristics with other complex systems, including multi-scale behaviours, criticality, and non-linearities. It is nevertheless quite evident that the brain is not the same as, for instance, a stock market; both are complex systems, yet, to the best of our knowledge, the latter is not self-aware nor intelligent. A complementary question thus is: what properties are different in the brain, with respect to other complex systems, which may buttress those unique characteristics? In this project we will reconstruct functional networks of brain activity, using electroencephalography (EEG) data, and compare them to functional networks representing the dynamics of other complex systems, with a special attention to financial markets. The comparison will be performed through Deep Learning (specifically, Graph Neural Networks) models, with the objective of identifying under which conditions those networks are identifiable. In other words, we will study under which conditions brain functional networks are topologically unique, and make a connection with the elements of brain dynamics underpinning them. If time allows, this analysis will be extended to weighted and multi-layer graphs, and to evolving sequences of networks. Beyond tackling a suggestive and challenging problem, the student will have the possibility of working and getting proficient with industry-standard software libraries (Torch for Python) and hardware infrastructure (in-house cluster of Nvidia GPUs).
Ficha del proyecto: JAEIntroAIHUB22-43

Identificador del proyecto: JAEIntroAIHUB22-44
Tutor/es: Nardine Osman y Carles Sierra
Grupo de investigación: Sistemas multiagentes, Instituto de Investigación en Inteligencia Artificial (IIIA-CSIC)
Dirección del Centro: Can Planes s/n Campus UAB, 08193 Barcelona
Título del proyecto: NOA-Poverty Project. A norm optimisation approach to SDGs: tackling poverty by acting on discrimination
Resumen del proyecto: NOA-Poverty is a multidisciplinary project being developed by computer scientists and social science researchers from the IIIA-CSIC (Barcelona) and the Technology Ethics Center at the University of Notre Dame (United States). The project has just won the AI for Good Best Project Award at the International Joint Conference on Artificial Intelligence (IJCAI-2022) and has already produced a published paper in the IJCAI proceedings (https://www.ijcai.org/proceedings/2022/726). Through the formulation and development of an agent-based social simulation, the project aims to analyze the role of norms implementing equal opportunity and social solidarity principles as enhancers or mitigators of discrimination against the poor (aporophobia) as well as the threshold of aporophobia that would facilitate poverty reduction. Based on the simulation results, the ultimate goal of the study is to extract guidelines to tackle poverty by acting on the discrimination against the poor. The project proposes a ground-breaking path to mitigate poverty by leveraging a recently published methodology for synthesis of value-aligned normative systems and state-of-the-art social sciences approaches on discrimination and economic development.
Ficha del proyecto: JAEIntroAIHUB22-44