• La concesión del Consolidator Grant permitirá a la investigadora redefinir la Ciencia del Machine Learning (aprendizaje automático) para hacerla más accesible, transparente y útil en contextos científicos exigentes

 

• El ERC Consolidator Grant es un reconocimiento al talento y la excelencia de Beatriz Seoane, profesora del Dpto de Física Teórica en la Facultad de Ciencias Físicas, y también un reflejo del nivel de investigación de la Universidad Complutense de Madrid

 

Madrid, 9 de diciembre de 2025.- La investigadora Beatriz Seoane, profesora del Dpto de Física Teórica en la Facultad de Ciencias Físicas de la Universidad Complutense de Madrid (UCM), ha sido recientemente seleccionada para recibir el prestigioso ERC Consolidator Grant 2025, una de las distinciones más codiciadas en el ámbito científico europeo. El proyecto seleccionado, titulado Beyond Maximum Entropy: A new paradigm for Modeling, Inference, and Learning Efficiency (BeME), ha sido financiado con 2 millones de euros y durará 5 años, y tiene como objetivo avanzar en un ambicioso proyecto que tiene como objetivo redefinir la Ciencia del Machine Learning (ML) o aprendizaje automático.

El ERC Consolidator Grant es una de las becas más competitivas del Consejo Europeo de Investigación (ERC), destinada a investigadores de trayectoria consolidada que buscan llevar sus proyectos a un nivel más alto de excelencia. Con esta concesión, Beatriz Seoane podrá avanzar en su investigación sobre cómo el machine learning puede evolucionar para ser una herramienta más eficiente y comprensible, particularmente en áreas donde la interpretación de los modelos es esencial.

El proyecto propone un giro en el desarrollo de modelos de machine learning, alejándose de la tendencia hacia la creación de modelos cada vez más grandes y complejos. En lugar de enfocarse en la acumulación masiva de datos y recursos, la investigadora busca crear modelos más simples, interpretables y energéticamente eficientes que puedan aplicarse de manera efectiva en contextos donde la transparencia y la fiabilidad son cruciales.

A través de este enfoque, Seoane se propone desarrollar modelos generativos basados en energías, inspirados en principios de la física estadística, que permitirán conectar el análisis de datos con conceptos fundamentales de la física, como paisajes de energía, interacciones y transiciones de fase o correlaciones de largo alcance. Este enfoque no solo promete ser más eficiente, sino también más comprensible, lo que es fundamental cuando se trata de aplicar machine learning en áreas científicas donde cada decisión debe ser interpretada con precisión.

Con este proyecto Seoane persigue dos metas principales: desentrañar los mecanismos internos de estos modelos —cómo codifican patrones, cómo se estructuran sus representaciones y cómo entrenarlos de forma eficiente y sostenible— y convertirlos en herramientas de inferencia fiables para situaciones donde los datos son incompletos, escasos o sensibles.

Para demostrar su alcance, se abordarán tres aplicaciones emblemáticas:

1. Neurociencia: La capacidad de reconstruir circuitos neuronales y entender la dinámica cerebral a partir de registros de actividad, utilizando modelos más interpretables.
2. Bioinformática: Mejorar la extracción de información funcional de grandes bases de datos genéticos y descubrir interacciones que son invisibles para los métodos tradicionales.
3. Turbulencia: Utilizar machine learning para identificar patrones y estructuras dinámicas en la turbulencia, un desafío clásico en la física de fluidos.

Estas aplicaciones no solo tienen el potencial de avanzar en el conocimiento científico, sino también de ofrecer soluciones prácticas a problemas complejos que, hasta ahora, no han podido ser abordados de manera eficaz con modelos convencionales de machine learning.

Con el apoyo del ERC Consolidator Grant, la investigadora complutense tiene la oportunidad de dar forma a un futuro donde el machine learning no solo sea una herramienta poderosa para hacer predicciones, sino también un aliado de la ciencia que sea comprensible y responsable. Su investigación está dirigida a garantizar que el aprendizaje automático pueda integrarse de manera efectiva en disciplinas científicas exigentes, donde la fiabilidad y la transparencia no son opcionales, sino imprescindibles.

El trabajo de Beatriz Seoane apunta a construir modelos que no solo hagan predicciones, sino que también generen conocimiento, y que puedan ser utilizados de manera efectiva incluso con datos limitados o incompletos. De esta forma, la investigadora está allanando el camino para un machine learning más sostenible, inclusivo y adaptado a las verdaderas necesidades de la investigación científica.

El ERC Consolidator Grant es un reconocimiento al talento y la excelencia de Beatriz Seoane, y también un reflejo del nivel de investigación de la Universidad Complutense de Madrid.

 

^{Beatriz Seoane, profesora del Dpto de Física Teórica en la Facultad de Ciencias Físicas de la Universidad Complutense de Madrid}

_{Ref: 101231393}

_{Título: Beyond Maximum Entropy: A new paradigm for Modeling, Inference, and Learning Efficiency}

_{Acrónimo: BeME}

_{Sección PE3 (Física de la materia condensada)}

 

 

NOTA DE PRENSA (PDF)

 

Vicerrectorado de Comunicación
Avenida de Séneca, 2. 28040 Madrid
Teléfono: 91 394 35 24
gprensa@ucm.es  www.ucm.es