Las redes de deep learning han alcanzado un éxito considerable en tareas complejas, como el reconocimiento de patrones y la clasificación de datos. Sin embargo, realizar inferencias con estas redes demanda muchos recursos computacionales debido al número de operaciones y los requisitos de memoria, lo cual limita su efectividad en aplicaciones con garantías estrictas de rendimiento en términos de latencia y throughput, como en la robótica y las tecnologías de conducción asistida. El procesamiento necesario para inferencias con deep learning muestra un alto grado de paralelismo en sus operaciones subyacentes, lo que puede ser aprovechado con las Unidades de Procesamiento Gráfico (GPUs) modernas. Sin embargo, mapear redes descritas en frameworks de alto nivel —que priorizan la productividad sobre el rendimiento— en GPUs es una tarea compleja. Para abordar este desafío, Nvidia introdujo TensorRT, una herramienta de software diseñada para optimizar algoritmos de redes neuronales en GPUs, mejorando el rendimiento en la inferencia mediante el uso eficiente de la computación paralela. Los detalles internos de TensorRT son propietarios y cerrados, por lo que solo es posible evaluar su efectividad a través de estudios empíricos. Aunque estos estudios sugieren que TensorRT mejora el rendimiento de la inferencia en tareas como la clasificación de imágenes, la efectividad depende en gran medida de la configuración de la herramienta para el hardware objetivo. Los estudios recientes evalúan TensorRT utilizando varios modelos de redes neuronales profundas (DNN), configuraciones de hardware/software y métricas de rendimiento, pero suelen carecer de detalles concretos sobre configuraciones y códigos fuente, lo que limita la validación y extensión de los resultados. Además, la rápida evolución de los algoritmos de aprendizaje automático y de las tecnologías de soporte requiere evaluaciones periódicas para asegurar la validez de los hallazgos y derivar pautas para nuevos modelos y aplicaciones. En esta tesis, se realiza una exploración experimental sistemática de las capacidades de optimización de TensorRT para tareas de inferencia, utilizando modelos de redes neuronales profundas ejecutados en GPUs de diversos rangos, con un enfoque en la familia Jetson de plataformas embebidas de Nvidia. Este estudio aborda las brechas identificadas en la literatura al ampliar los benchmarks para incluir las plataformas Jetson Orin más recientes e incorporar nuevas configuraciones de herramientas y métricas de evaluación. Al probar múltiples plataformas en un entorno uniforme, se establecieron pautas que luego fueron validadas en una variedad de aplicaciones utilizando modelos de DNN y conjuntos de datos personalizados que difieren de los ejemplos típicos utilizados en los benchmarks. En general, este estudio proporciona datos cuantitativos y verificables sobre las fortalezas y limitaciones de TensorRT en la optimización de inferencias con algoritmos de deep learning en plataformas de última generación. Anticipamos que estos hallazgos ayudarán a los profesionales y usuarios finales a aprovechar eficazmente las tecnologías de última generación para optimizar tareas de inferencia considerando requisitos y restricciones específicos.

En aspectos de la genética, un promotor es una secuencia de ADN que regula y promueve el inicio de la transcripción genética, siendo grandes responsables del control de todos los procesos fisiológicos de una célula. La identificación precisa de los promotores es crucial para comprender la transcripción de ADN, lo que puede llevar a beneficios como el incremento en la producción de fármacos en microorganismos y la mejora de las propiedades de los cultivos agrícolas. A pesar de su importancia, los promotores carecen de patrones de secuencia de ADN claramente conservados entre diferentes tipos de promotores, así como entre especies, lo que complica su caracterización. En la última década, la disponibilidad pública de datos de promotores de diversas especies ha fomentado el desarrollo de modelos de Machine Learning para abordar esta tarea. La detección de promotores utilizando métodos de Machine Learning implica múltiples desafíos. Los datos genéticos disponibles a menudo son insuficientes, lo que limita la disponibilidad de modelos efectivos en términos del rango de especies que pueden abarcar. Además, un problema significativo es la falta de consenso sobre la definición de \textit{clase negativa} en el contexto de clasificación binaria, es decir, qué secuencias de ADN se deben considerar como no promotores. Este problema no solo complica la creación de conjuntos de datos representativos, sino que también afecta la capacidad de los modelos para generalizar en diferentes contextos genómicos. En este trabajo, se propone un enfoque basado en técnicas de Machine Learning para la detección de promotores, abordando el problema como una tarea de clasificación binaria en múltiples especies. Para ello, se construyen dos conjuntos de datos: uno basado en secuencias codificantes y otro en secuencias generadas sintéticamente, utilizadas como clases negativas. Además, se considera el contenido de GC como una variable de interés clave, ya que podría introducir sesgos que afecten el rendimiento de los modelos. El enfoque propuesto incluye la evaluación de modelos utilizando métricas estándar para clasificadores binarios y se comparan con métodos convencionales. También se analizan diversos escenarios representando especies con distribuciones variables de contenido de GC para evaluar el impacto del origen de las secuencias no promotoras en los resultados. Finalmente, se examina la capacidad de los modelos desarrollados para adaptarse a datos genómicos reales, y se proponen recomendaciones para mitigar los posibles sesgos derivados del contenido de GC, mejorando la generalización de los modelos en contextos biológicos complejos. Este trabajo establece una base para futuras investigaciones en la predicción de promotores y el diseño de herramientas automatizadas en genómica.

La suposición de que la materia en el Universo se distribuye de manera homogénea e isotrópica nos ha permitido entender gran parte de la fenomenología asociada a la evolución y expansión del mismo. A pesar de lo anterior, la formación de estructura no puede explicarse a partir del Principio Cosmológico solamente. La implementación de perturbaciones sobre soluciones cosmológicas típicamente es utilizada para modelar la formación de clústeres de galaxias y cúmulos de estrellas. Hasta ahora, el formalismo de perturbaciones sólo ha podido implementarse en formulaciones métricas de gravedad como relatividad general y su equivalente en teorías afines no ha sido desarrollada. En el presente trabajo tiene como fin proponer una metodología para implementar perturbaciones cosmológicas en teorías de gravedad que tengan a la conexión como su campo fundamental. Se utiliza la teoría de grupos junto con los objetos disponibles en soluciones cosmológicas afines para determinar los campos irreducibles en los que una perturbación cosmológica afín puede descomponerse, en analogía con su contraparte métrica. Además, en el presente trabajo se exploran las diferentes elecciones de gauges que pueden implementarse en el formalismo para eliminar los grados de libertad de la perturbación asociados a elecciones particulares de sistemas de coordenadas y se muestra de qué manera pueden construirse campos invariantes bajo transformaciones infinitesimales de coordenadas.

The search for conclusive and robust Majorana Zero Modes (MZM) signatures has been of great experimental and theoretical interest due to its potential quantum computing applications. This thesis theoretically furthers this search with three investigations: In the first work we study a system formed by a Double Quantum Dot (DQD) structure coupled to two normal leads, while each QD is independently connected to a Topological Superconducting Nanowire (TSCN) hosting MZMs at its ends. We focus on the linear conductance through the DQD, the QD's density of states, and the MZMs spectral functions, which are calculated employing the Green's functions (GFs) formalism. We focus in identifying signatures of quantum interference phenomena, emergence of bound states in the continuum (BICs), MZMs leakage into the QDs-BICs, and the interplay between MZM and BIC, by direct control of the magnetic flux over all the bound states of our setup. Our results show that both MZMs and BICs appear in high-symmetry configurations, i.e., depending on the QD-MZM coupling strength and the length of the TSCN. Also, we find a transport suppression anomaly in the linear conductance as a function of the magnetic flux. This phenomenon appears for the same symmetric configurations mentioned above. We also find that both the MZMs leaking into the QDs and the BICs can be controlled by the magnetic flux, suggesting that this external parameter will suffice for manipulating the above states. In the second work, we examine the thermoelectric characteristics of a system consisting of two topological superconducting nanowires, each exhibiting Majorana zero modes at their ends, connected to leads within an interferometer configuration. By employing Green's function formalism, we derive the spectral properties and transport coefficients. Our findings indicate that bound states in the continuum (BICs) manifest in symmetric setups, influenced by the length of the wires and coupling parameters. Deviations of the magnetic flux from specific values transform BICs into quasi-BICs with finite width, resulting in conductance antiresonances. The existence and interplay of Majorana zero modes enhances the thermoelectric performance in asymmetric configurations. Modulating the magnetic flux induces transitions from BICs to quasi-BICs and significantly enhances the Seebeck coefficient and figure of merit, thereby suggesting a strategy for optimizing thermoelectric efficiency in systems based on Majorana zero modes. In the third work, we study the formation and properties of edge-like and end-like Majorana States (MSs) in proximitized planar Josephson Junctions and characterize them by introducing a quantity (here referred to as the topological gap character) that contains information about the topological charge, topological gap, and the localization nature of the zero-energy states. The norm of the topological gap character determines the size of the topological gap relative to the proximity-induced superconducting gap, and its sign indicates whether the system is in a TS state with edge-like (positive sign) or end-like (negative sign) MSs. We analyze how the localization character of MSs depends on relevant system parameters such as the magnetic field strength and direction, the superconducting phase difference across the junction, the spin orbit coupling strength, and the junction crystallographic orientation. Moreover, our study reveals the possibility of inducing transitions from end-like to edge-like MSs (and vice versa) by tuning the magnetic field strength and/or the superconducting phase difference. Our findings can be used as a guide for achieving optimal MZM protection and localization when engineering TS in planar JJs and could be particularly relevant for implementing braiding operations without the need for complex non-colinear junctions.

El sistema cardiovascular es cerrado: las venas llevan sangre al corazón y las arterias la transportan oxigenada desde el corazón al cuerpo. La aorta, la arteria más grande (2 [cm] de diámetro), puede dilatarse con el tiempo; si supera los 5 [cm] se denomina aneurisma aórtico. El tratamiento consiste en insertar una prótesis endovascular para restringir el flujo sanguíneo en la zona debilitada, siendo eficaz pero con posibles fallos, por lo que el paciente requiere controles médicos. Este trabajo presenta tres modelos de aneurismas aórticos abdominales, cada uno con simulación sin y con prótesis, para estudiar velocidad y presión. Las geometrías varían pero las condiciones de borde son iguales. Se utilizan las ecuaciones de la mecánica de fluidos: conservación de masa y Navier-Stokes (régimen laminar), considerando sangre como incompresible, homogénea y newtoniana. Se resuelven mediante el método de elementos finitos, pasando del espacio continuo a discreto, obteniendo matrices constantes en el tiempo, usadas luego en un código que recibe matriz de nodos, conectividad y condiciones de borde. El mallado es generado por un software de código abierto que permite modificar parámetros como tamaño de elemento o número de nodos. Luego se realiza la simulación, obteniendo velocidad y presión. Los tiempos de simulación son bajos considerando el número de elementos y pasos de tiempo. Los resultados muestran poca diferencia entre los tres modelos sin prótesis, por lo que la geometría influye poco. Con prótesis, la velocidad aumenta dentro de esta y disminuye fuera, cumpliendo el objetivo. La longitud de la prótesis influye significativamente, generando zonas de alta velocidad entre esta y la pared arterial. Se discute también la inestabilidad de la presión y su mejora con otros métodos. Finalmente, los resultados se validan mediante una ecuación analítica y estudios previos. Este trabajo busca servir de base para nuevas investigaciones científicas y desarrollo académico.

La zona central de Chile, especialmente la Cordillera de los Andes, alberga una de las criósferas más diversas del planeta y constituye una fuente crítica de recursos hídricos almacenados en forma de nieve y hielo glaciar. Estudios recientes han evidenciado un retroceso significativo de glaciares en esta región, especialmente en la cuenca del río Maipo, como consecuencia del cambio climático global y de factores antrópicos locales. Investigaciones han mostrado que la reducción en la acumulación nival invernal, junto con el aumento de temperaturas estivales, ha derivado en una severa sequía prolongada, conocida como Megasequía. A través de diversos estudios glaciológicos y análisis satelitales, se ha documentado la disminución de superficie y volumen de glaciares emblemáticos como Echaurren Norte, El Morado y Olivares Alfa, todos ubicados en los Andes Centrales. Además, se ha identificado una influencia directa de contaminantes como el carbono negro (Black Carbon, BC) y material particulado (MP) en la aceleración del derretimiento glaciar. Estos contaminantes, emitidos por actividades industriales y vehiculares, reducen el albedo de la superficie glaciar, favoreciendo la absorción de radiación solar y, por ende, el derretimiento. Un caso ilustrativo es el Glaciar Olivares Alfa, cuyo mayor retroceso ha sido asociado a su cercanía con faenas mineras, en contraste con el Glaciar Bello, ubicado en la misma cuenca pero con menor exposición a dichas emisiones. Pese a los avances, aún existe escasa investigación nacional que permita cuantificar con precisión el impacto de estas causas antrópicas sobre los glaciares y los recursos hídricos. Las diferencias en las tasas de retroceso entre glaciares sometidos a condiciones climáticas similares sugieren la necesidad urgente de más estudios enfocados en la influencia de la contaminación local.