Soy investigadora y docente universitaria en matemática aplicada, con formación doctoral en matemática y una maestría en ciencia de datos.
Trabajo en el diseño de redes neuronales para el aprendizaje automático de sistemas mecánicos, integrando estructura geométrica y principios variacionales de modelado matemático, de manera que la dinámica respete las leyes físicas.
Mi formación combina herramientas de matemática, física y ciencia de datos, incluyendo geometría diferencial, mecánica analítica, aprendizaje automático, redes neuronales, optimización y sistemas dinámicos.
Me interesa especialmente la posibilidad de que estas herramientas contribuyan a la modelización, simulación y comprensión de sistemas reales cuando los enfoques estándar no resultan suficientes, por lo que estoy abierta a explorar colaboraciones interdisciplinarias y proyectos de vinculación con áreas aplicadas.
Modelado geométrico de sistemas mecánicos,
Sistemas con restricciones (holónomas, vakónomas y no holonómas),
Métodos variacionales y reducción,
Aprendizaje automático con estructura física (redes neuronales Lagrangianas y Hamiltonianas),
Integración de modelos físicos y datos.
modelos físicos consistentes basados en datos,
simplificación de sistemas complejos,
predicción respetando leyes estructurales,
análisis de dinámicas con restricciones y conservación de propiedades.
Para más información sobre mis líneas de trabajo, podés ver la sección de investigación o de colaboraciones.
Si te interesa explorar posibles colaboraciones, podés escribirme para intercambiar ideas.