Beatriz González del Río
| ÁREA | GRUPO DE INVESTIGACIÓN | INSTITUTO |
|---|---|---|
| Física Atómica, Molecular y Nuclear | Propiedades Nanométricas de la Materia |
Me licencié en Física en el año 2011 por la Universidad de Valladolid y posteriormente me incorporé al grupo de Propiedades Nanométricas de la materia para realizar el máster interuniversitario en Nanociencia y Nanotecnología Molecular. En el año 2013 comencé mi doctorado centrado en el estudio de metales líquidos mediante técnicas de simulación atómica usando teorías de mecánica cuántica. Simultáneamente, realicé varias estancias de investigación en la Universidad de Princeton (EE.UU.).
Tras obtener el doctorado con mención internacional por la Universidad de Valladolid en 2017, me incorporé al grupo de la profesora Emily Carter en la Universidad de Princeton (EE.UU.) como investigadora postdoctoral. Durante esta primera etapa, desarrollé nuevos métodos de obtención de pseudopotenciales locales usando algoritmos genéticos y estudié las propiedades de ciertos metales líquidos de interés en reactores de fusión nuclear.
En 2019, comencé una segunda estancia postdoctoral en el grupo del profesor Rampi Ramprasad en el Georgia Institute of Technology (EE.UU.), con el objetivo de desarrollar redes neuronales que permitan enseñar mecánica cuántica a los ordenadores y poder predecir en tiempo récord la estructura electrónica de materiales a gran escala.
En enero de 2022 me he incorporado al Departamento de Física Teórica, Atómica y Óptica de la Universidad de Valladolid con un contrato María Zambrano. Mi objetivo es el desarrollo de redes neuronales y el uso de la inteligencia artificial para el estudio de las propiedades electrónicas, estructurales y dinámicas de metales líquidos y amorfos, con aplicaciones en biotecnología, metalurgia y fusión nuclear.
La simulación atómica permite estudiar cualquier material en condiciones extremas, en algunos casos imposibles de alcanzar en un laboratorio. Además, el acceso al comportamiento atómico permite comprender el origen de muchas de las propiedades de un material. Sin embargo, para tener una correcta descripción de las interacciones atómicas es necesario recurrir a la mecánica cuántica. Este enfoque cuántico requiere de cálculos muy largos y complejos, lo cual limita en gran medida tanto el tamaño de los sistemas a estudiar como el tiempo de simulación.
El Deep Learning y la inteligencia artificial han revolucionado áreas como el reconocimiento de imágenes, la bioinformática o la medicina, entre muchas otras. La posibilidad de reducir cualquier problema sustituyéndolo por algoritmos que aprenden las relaciones complejas entre la información de entrada y de salida, ha propulsado su uso en casi todos los campos de investigación. El uso del Deep Learning en Ciencia de Materiales permite eliminar las restricciones de tamaño y tiempo asociadas al uso de teorías cuánticas en el estudio de las propiedades electrónicas y atómicas, conservando tanto el tipo de información como su exactitud.
Mi estudio se basa en el desarrollo de modelos de Deep Learning para la predicción de propiedades electrónicas, estructurales y dinámicas de metales líquidos y amorfos en condiciones ambientales extremas, así como su interacción con otros tipos de materiales sólidos. Además, la información contenida en las redes neuronales permite el desarrollo de nuevos materiales con propiedades específicas.
Mi visión es que, gracias a la combinación de técnicas de Deep Learning, inteligencia artificial y simulación atómica, se podrá dar respuesta a problemas actuales de búsqueda de energías y materiales sostenibles que permitan un desarrollo tecnológico de la sociedad sin agotar los recursos naturales de nuestro planeta.