A lo largo de las sesiones, las y los estudiantes profundizaron en la simulación de materiales a escala atómica con herramientas computacionales de última generación. La culminación del programa se realizó en la Biblioteca del Campus Ñuñoa, donde el estudiantado recibió sus certificados de participación.
Para el Dr. Menéndez, este curso fue un punto de partida para estudiantes de postgrado, combinando fundamentos teóricos con recursos prácticos que les permitirán implementar estas técnicas de manera autónoma.
La experiencia fue especialmente valiosa para Rodrigo Vargas Osorio y María José Silva Portales, quienes destacaron la posibilidad de integrar distintos enfoques computacionales. “Me permitió ver dos mundos converger: la precisión rigurosa de las simulaciones ab initio y la capacidad del machine learning para reconocer patrones y proyectarlos a escenarios más complejos. Al combinarlos, descubrí no solo una herramienta técnica, sino una nueva forma de pensar los materiales”, comenta Rodrigo.
Ambos participaron con el propósito de complementar su formación y el interés por esta área de investigación. En el caso de María José, el curso se vinculó directamente con su tesis de magíster, en la que aplica varias de las herramientas revisadas por el Dr. Menéndez.
“Quise participar porque era una instancia para ampliar mis conocimientos. Además, tuve la oportunidad de publicar un artículo junto a Eduardo, pero no nos conocíamos en persona, así que también fue un buen momento para eso”, explica la estudiante.
Durante el curso, las y los asistentes adquirieron competencias en simulación de materiales a nivel atómico, aplicación de inteligencia artificial en dinámica molecular y análisis avanzado de datos. El balance final superó las expectativas de las y los estudiantes, ya que además del aprendizaje práctico, hubo espacios de reflexión y diálogo entre estudiantes.
“Lo más valioso fue poder relacionar los métodos de simulación que ya conocía con las técnicas de machine learning aprendidas aquí. Ahora puedo pensar en cómo integrar distintos enfoques para abordar un mismo problema de investigación y aplicar lo aprendido en mis trabajos futuros”, indica María José.
Rodrigo complementa: “Comprendí cómo usar de manera estratégica los datos obtenidos de simulaciones ab initio para entrenar y validar potenciales interatómicos con machine learning. Esto me permitió dimensionar la relevancia de la calidad y representatividad de las configuraciones en el entrenamiento, y cómo estas determinan la capacidad del modelo para reproducir con rigor el comportamiento atómico”.