Nuevas miradas a experimentos en sistemas magnéticos

Santiago Grigera Instituto de Física de Líquidos y Sistemas Biológicos Universidad Nacional de La Plata / CONICET

Una de las tareas de la física experimental es medir. Tradicionalmente una gran parte del problema ha sido obtener los datos. Esto no ha cambiado, pero un ingrediente nuevo es que el desarrollo de determinadas técnicas experimentales permite, en la actualidad, adquirir un número de datos extraordinariamente grande: un experimento de difracción de neutrones, por ejemplo, arroja, a menudo, un 1Tb de datos luego de unos pocos días de medición. El problema entonces no es solo obtener los datos, sino también saber qué hacer con ellos. Este problema, lidiar con un vasto número de datos, es común a distintos campos del conocimiento. Para enfrentarlo, se desarrollan continuamente diversas estrategias. Entre ellas, el Machine Learning (aprendizaje automático/ aprendizaje de máquinas), que comprende un rango variado de algoritmos y herramientas de modelado empleados con este propósito. Con origen en espacios tan disímiles como el tratamiento de imágenes, el reconocimiento de lenguajes y la conducción de automóviles, el Machine Learning ha sido gradualmente incorporado en distintas disciplinas científicas. En este coloquio, haré una breve introducción al Machine Learning en sistemas de materia condensada para luego explorar como puede contribuir al análisis de experimentos y a la comprensión de la física de un problema en magnetismo frustrado, un sistema fuertemente interactuante cuyas partes son incapaces de minimizar simultáneamente sus términos energéticos.

Transimisión en vivo

DF es docencia, investigación y popularización de la ciencia.