Proyectos
¡Las tres líneas de investigación en las que trabajo actualmente!
Hits en el HGCAL coloreados por clúster — la reconstrucción de la red (arriba) contra la verdad de la simulación (abajo), sin pile-up.
ML con Restricciones Físicas en Distintas Modalidades Experimentales
Los patrones dispersos de un detector, las series de tiempo de qubits y las mediciones cambiantes de un plasma exigen, cada uno, modelos construidos alrededor de sus propias restricciones físicas. En el experimento CMS del CERN desarrollo reconstrucción de extremo a extremo para el Calorímetro de Alta Granularidad (HGCAL), un detector de imagen que tiene que resolver cascadas de partículas en medio de aproximadamente 200 colisiones superpuestas. Mi red neuronal de grafos hizo posible el primer estudio de reconstrucción con aprendizaje automático en una sola pasada usando la simulación completa de CMS. Ahora desarrollo una reconstrucción de extremo a extremo basada en MaskFormers, cuyas queries aprendidas predicen un número variable de partículas mientras las máscaras asocian los hits del calorímetro con cada una; la reconstrucción con MaskFormers ha mejorado la resolución de energía de jets en aproximadamente 15% sobre un método líder basado en grafos, lo que motiva llevarla a CMS.
Relacionado: CMS-DP-2026-057
El refrigerador de dilución NEXUS en Fermilab, donde se midieron las plantillas de los qubits.
Fast ML for Science
Muchos experimentos necesitan decisiones en tiempo real, lo que exige ML rápido: redes compactas co-diseñadas con el hardware que las ejecuta para inferencia de baja latencia. Desarrollé una red neuronal convolucional desplegada en un Field-Programmable Gate Array (FPGA), un chip reconfigurable construido para cómputo de baja latencia, que detecta saltos de carga inducidos por radiación en qubits superconductores en cuestión de microsegundos. También colaboro con Jeff Schneider e investigadores del Departamento de Aprendizaje Automático de Carnegie Mellon en la estimación del estado del plasma acelerada por FPGA para el control de tokamaks en tiempo real.
Relacionado: arXiv:2607.14293 · arXiv:2609.23141 · charla en Fast ML for Science 2026
Agentes de IA para Análisis Complejos de Física
Mi análisis actual busca colisiones que producen cuatro quarks top a la vez. El quark top es la partícula elemental más pesada que se conoce, y una tasa de producción distinta a la predicha podría apuntar a fenómenos más allá de las teorías actuales. Estos eventos son excepcionalmente raros: el patrón de decaimiento que estudio puede producir hasta doce quarks, pero se espera que sólo uno de cada 100,000 eventos seleccionados contenga la señal. Extraerla requiere un flujo de trabajo fuertemente acoplado de procesamiento distribuido de datos, varios modelos de ML, fondos estimados a partir de los datos y un modelo estadístico conjunto, donde un solo cambio en la reconstrucción de partículas puede propagarse a las categorías de eventos, las predicciones de fondo y las incertidumbres, obligando a volver a correr y revalidar toda la cadena. Eso lo convierte en un benchmark ideal para agentes de IA que deben coordinar un flujo de trabajo científico completo en lugar de resolver tareas aisladas de programación. Ya uso agentes para navegar el software de CMS, diagnosticar fallas de cómputo distribuido, generar pruebas y rastrear dependencias, y trabajo hacia agentes especialistas coordinados que compartan el estado del análisis, conserven el contexto a lo largo de flujos de trabajo largos y distingan una ejecución exitosa de un razonamiento físicamente válido, con revisión humana de las decisiones importantes.
Relacionado: charla en DPF 2026