El área de Ciencias de la Computación del CIMAT está formada por un grupo de investigadores líderes a nivel nacional e internacional en sus trabajos orientados hacia la investigación, la enseñanza, la capacitación y el desarrollo tecnológico. El área realiza investigación en los siguientes temas principales:

Modelación, Optimización y Cómputo Paralelo

 

Las actividades se concentran principalmente en el desarrollo de aplicaciones de cómputo científico en  ingeniería y física. Abarcan su entendimiento matemático, su modelación numérica, el planteamiento computacional de soluciones así como procesos de optimización que hacen uso de los modelos desarrollados. Por su naturaleza, los procesos anteriores habitualmente involucran el desarrollo de técnicas de cómputo en paralelo.

En el área de Optimización se realiza investigación tanto en las áreas mono-objetivo como multi-objetivo, utilizando técnicas estocásticas de optimización como los algoritmos evolutivos, los algoritmos meméticos o los de estimación de distribución, entre otros. También se desarrollan técnicas de programación matemática y métodos de gradiente. Se aplican a problemas de diseño y optimización global y restringida que surgen en diversos ámbitos como logística, criptografía o ingeniería civil.

En el área de Métodos Numéricos se estudian y desarrollan modelos de solución numérica de ecuaciones diferenciales parciales usando Elementos Finitos, Volumen Finito, Diferencias Finitas, y recientemente en Calculo Exterior Discreto (DEC).

En cómputo paralelo se trabaja en diferentes tecnologías y paradigmas de paralelización como OpenMP, MPI y CUDA (laboratorios de supercómputo).

Se tienen colaboraciones con la U. de Swansea, U. de Tsinghua,  el CIMNE en Barcelona, U. de la Laguna, U. Edinburgh Napier, U. de Málaga, U. de Leipzig, U. de Guanajuato, U. Autónoma de Zacatecas y CINVESTAV (CDMX y Mty) .

 

 

Robótica y Sistemas Inteligentes

 

Las líneas de investigación del área se concentran globalmente en  la planificación de movimientos, la teoría de control, la percepción, la modelación de incertidumbre, y la integración de esos diferentes niveles de estimación y decisión, a través de esquemas de retroalimentación coherentes y eficaces. Más específicamente, las más recientes líneas de investigación del área han abordado problemas a través de técnicas como control óptimo, control no lineal con retroalimentación sensorial, control predictivo basado en modelo, control distribuido basado en consenso, control visual, procesos de decisión de Markov parcialmente observables, modelos generativos de predicción, filtrado Bayesiano y combinatorio, geometría computacional, métodos de planificación basados en muestreo, entre otros.

El rango de aplicaciones de la investigación cubre robots terrestres y aéreos, por ejemplo búsqueda y reconstrucción de objetos, exploración de ambientes desconocidos, formaciones de múltiples robots, persecución/evasión, locomoción humanoide, coches autónomos y realidad virtual (laboratorio de robótica). 

El grupo de investigación mantiene actualmente colaboraciones internacionales con Georgia Tech, U. de Sherbrooke, LAAS-CNRS, INRIA, U. of Oulu, U. de Zaragoza y colaboraciones nacionales con Intel Labs Guadalajara, CINVESTAV Saltillo y Guadalajara, INAOE, CICESE, CIO Ags. y la U. de Guanajuato.

 

 

Procesamiento de Señales y Visión por Computadora 

 

En esta línea, se estudian desde problemas de bajo nivel como filtrado, alineación, superresolución, flujo óptico, tracking, transmisión y encriptación, tanto para señales, imágenes como video, hasta aplicaciones de alto nivel ligadas al reconocimiento, la clasificación y la reconstrucción de objetos. 

Se tiene un interés especial en imágenes provenientes de experimentos ópticos (interferometría), de microscopía de electrones, imágenes satelitales y señales biomédicas  donde se desarrollan aplicaciones en, por ejemplo, segmentación de vasos sanguíneos, estimación de propiedades de microestructura neuronal en tejido cerebral, y en modelado de conectividad  global en cerebros. 

Se mantienen colaboraciones con la U. de Calgary,  l'École Polytechnique Fédérale de Lausanne, la Universitá degli Studi di Verona, el Instituto de Neurobiología de la UNAM, la U. de Leipzig, el IMSS, el CIO, entre otros.

 

Aprendizaje Máquina y Análisis de Datos

 

Se abarca aprendizaje basado en métodos variacionales y bayesianos, aprendizaje estadístico, aprendizaje profundo, procesamiento de lenguaje natural, aprendizaje multimodal y aplicaciones de lo anterior a visión computacional, robótica e ingeniería en general.