Saltar al contenido principal

Hola, soy Andrés

Soy Ingeniero de Software para Investigación en la Universidad de Princeton, donde colaboro con el Instituto para la Investigación e Innovación en Software para Física de Altas Energías (IRIS-HEP). Mi trabajo se centra en el desarrollo de herramientas para enfrentar los desafíos que plantea el alto volumen y la complejidad de los datos que se recolectarán en el Gran Colisionador de Hadrones de Alta Luminosidad (HL-LHC) en el CERN y en otros futuros experimentos de física de altas energías.
Contáctame

Experiencia

2023–presente
Ingeniero de Software para Investigación
Universidad de Princeton. Princeton, NJ

Estoy desarrollando herramientas para enfrentar los desafíos que plantea el alto volumen y la complejidad de los datos que se recolectarán en futuros experimentos con colisionadores de partículas. Trabajo en esto desde dos frentes. Por un lado, colaboro en el desarrollo de un algoritmo altamente paralelizable para reconstruir las trayectorias de las partículas que emergen de las colisiones, partiendo de los impactos registrados por las distintas capas del detector. Esto es crucial, ya que la complejidad de los datos superará las capacidades esperadas de cómputo en CPU, por lo que debemos aprovechar hardware masivamente paralelo como las GPUs. Por otro lado, contribuyo al desarrollo y mantenimiento de un ecosistema de software en Python que permite a los investigadores analizar sus datos de manera sencilla y eficiente.


2017-2023
Investigador de Doctorado
Universidad de Cornell. Ithaca, NY

Durante mi doctorado, me enfoqué en el desarrollo de herramientas computacionales para la teoría de cuerdas. Aunque la mayoría de la investigación en este campo aún se realiza con lápiz y papel, el uso de computadores permite explorar el vasto paisaje de soluciones de manera más eficiente. El grupo al que pertenecía, liderado por Liam McAllister, fue uno de los primeros en reconocer este potencial y trabajar en el desarrollo de herramientas computacionales. Co-creé CYTools, un paquete de Python que permite estudiar un conjunto prácticamente ilimitado de soluciones de la teoría de cuerdas, utilizando herramientas de geometría algebraica. Esta herramienta representó una mejora significativa respecto a las existentes, lo que nos permitió investigar soluciones mucho más complejas que antes se consideraban inaccesibles.


2013-2017
Investigador de Pregrado
Instituto Tecnológico de Massachusetts. Cambridge, MA

Como investigador de pregrado, trabajé en varios proyectos. Durante un par de años, me enfoqué en búsquedas relacionadas con el bosón de Higgs. Este había sido descubierto recientemente, por lo que había mucho interés en verificar si coincidía exactamente con las predicciones teóricas o si presentaba desviaciones interesantes. Exploré distintos patrones de decaimiento para identificar cuáles podrían ser prometedores para futuras búsquedas, y también utilicé herramientas estadísticas para investigar posibles señales de violación CP. En los años siguientes, trabajé en técnicas computacionales para QCD en redes (Lattice QCD). Me enfoqué en expandir algoritmos para reducir el ruido estadístico inherente en las simulaciones de QCD, y también exploré métodos para almacenar de manera más eficiente grandes conjuntos de datos de campos en la red.

Formación académica

2013-2017
Instituto Tecnológico de Massachusetts
Licenciatura en Física, Licenciatura en Matemáticas
2017-2023
Universidad de Cornell
Doctorado en Física

Una selección de mi trabajo

Uproot

Uproot es una biblioteca de Python para leer y escribir archivos ROOT utilizando únicamente Python. ROOT ha sido el formato estándar de archivos para los datos en física de altas energías, y actualmente existen más de 2 exabytes de datos almacenados en archivos ROOT. Históricamente, ROOT ha sido difícil de instalar y utilizar, por lo que Uproot surgió como una alternativa ligera que permite a los investigadores leer y escribir datos directamente en Python. Forma parte del ecosistema de paquetes Scikit-HEP, que ofrece una amplia gama de herramientas para el análisis de datos.

Repositorio de GitHub

Line Segment Tracking

El algoritmo Line Segment Tracking (LST) es una propuesta novedosa para la reconstrucción de trayectorias de partículas. Aprovecha la arquitectura masivamente paralela de las GPUs para reconstruir de manera eficiente las trayectorias en condiciones de alta superposición de eventos (pile-up). Este algoritmo surgió ante el aumento esperado en la complejidad de la reconstrucción en futuros experimentos con colisionadores, así como las posibles limitaciones de los recursos computacionales basados en CPU.

Repositorio de GitHub

CYTools

CYTools es un paquete de Python que co-creé durante mi doctorado. Permite el estudio de variedades de Calabi-Yau que surgen de la base de datos de Kreuzer-Skarke, las cuales a su vez generan soluciones para la teoría de cuerdas. CYTools nació de varios años de trabajo enfocados en explorar soluciones más complejas y automatizar el proceso de búsqueda de características interesantes. Ofrece un rendimiento computacional significativamente superior en comparación con las herramientas existentes, lo que nos permitió estudiar soluciones que antes se consideraban inaccesibles.

Repositorio de GitHub