Martín de los Rios

Postdoc en Astronomía/Física @ IFT/UAM-Madrid.

ORCID iD iconorcid.org/0000-0003-2190-2196

Soy un futbolista frustrado que se recibió de doctor en Astronomía en la Universidad Nacional de Córdoba (UNC). Actualmente trabajo en el Instituto de Físca Teórica de la Universidad Autónoma de Madrid aplicando técnicas de aprendizaje automático a la búsqueda directa de materia oscura. Mis principales intereses se focalizan en estudiar el modelo cosmológico estándar, la estructura en gran escala del universo, las propiedades de la materia y energía oscura, etc. También estoy interesado en el estudio de modelos inhomogeneos del universo y sus implicaciones a la hora de interpretar las observaciones. Para realizar estos estudios me gusta utilizar técnicas de aprendizaje automático (Machine Learning), ya que estas son ideales para analizar grandes volúmenes de datos y encontrar sus principales propiedades.

Publicaciones

Presentationes Orales

Codigos

  • MeSsI: Este programa permite realizar una clasificación automática, basa en algoritmos de aprendizasje automático (Random Forest y Mixture of Gaussians) entre cúmulos relajados y cúmulos en proceso de fusión. Este método fue calibrado utilizando catálogos simulados construidos a partir de la simulación cosmológica Millenium.

    También podes hacer una clasificación automática online en la interfaz gráfica web de MeSsI o bajar el paquete de R 'MeSsI' de mi repositorio github y usarlo de manera interactiva.

    Para más detalles leer de los Rios et al. 2016 (1509.02524).

  • ROGER: Este programa permite realizar una clasificación dinámica de las galaxias utilizando información del espacio de fases projectado. Puede ser descargado de mi repositorio github y utilizado como un paquete de R o accediendo a la interfaz gráfica online .

    Para más detalles leer de los Rios et al. 2020 (2010.11959).

  • COSMIC-KITE: Este software es el resultado del análisis mediante auto-encoders del espectro de potencias del fondo cósmico de microondas (CMB). La parte que codifica (encoder) puede ser usada como una herramienta para estimar rápidamente los parámetros cosmológicos que maximizan el likelihood dado un espectro de potencias. Por otro lado, la parte que decodifica (decoder) ouede ser usado como un emulador que calcula rápidamente el espectro de potencias correspondiente a un set de parámetros cosmológicos. Este códido puede ser instalado y usado como una libreria de python desde mi repositorio github.

    Para mayores detalles, leer de los Rios 2022 (2202.05853) .

  • CADDENA: Este paquete de python library esta diseñado para analizar datos de experimentos de detección directa de materia oscura con estadística Bayesiana mediante el uso de modelos de inteligencia Artificial. El objetivo principal es estimar la distribución de probabilidades a Posteriori de los principales parámetros del modelo. Para esto utilizamos el método TMNRE (Truncated Marginal Neural Ratio Estimation) el cuál computa el cociente likelihood-to-evidence usando redes neuronales. Esta libreria puede ser usada de manera modular, permitiendo combinar datos de diferentes experimentos sin la necesidad de re-entrenar nuevamente los modelos de inteligencia artificial. Este paquete puede ser instalado siguiendo las instrucciones detalladas en my github repository.

    For more details please read Bayesian technique to combine independently-trained Machine-Learning models applied to direct dark matter detection .