JAE Intro Scholarships AIHUB


(Versión en español)

Ten “JAE Intro ICU” research introductory scholarships are announced, regulated by a presidential resolution of April 8th, 2021.

The call will be open from October 5th to October 29th, both included.

The JAE Intro #JAEIntroCONEXIONES scholarships are associated with the so-called “CONEXIÓN-CSIC in Artificial Intelligence Artificial (AIHUB)” network. The AIHUB CONNECTION is made up of a network of CSIC research groups dedicated to basic research in Artificial Intelligence or the application of Artificial Intelligence to different scientific domains.

The network has among its objectives to promote young talent and bring it closer to scientific research in Artificial Intelligence, which is why it offers these 10 scholarships.

This call will be coordinated by the Artificial Intelligence Research Institute of the CSIC (IIIA-CSIC). The stays of the beneficiaries will be carried out in the institutes of the CSIC reflected in the training plans published on this website.

Click here to download the Call description.

Listado de Proyectos ofertados por los centros CSIC de la CONEXIÓN AIHUB

Identificador del proyecto: JAEIntroAIHUB21-02
Tutor/es: Albert Queraltó y Teresa Puig
Grupo de investigación: ICMAB
Dirección del Centro: Campus de la Universitat Autònoma de Barcelona 08193 Bellaterra, Catalunya, Espanya
Título del proyecto: Machine Learning optimization of high tempreature superconducting films prepared by drop on-demand inkjet printing
Resumen del proyecto: High-throughput experimental (HTE) methods are becoming more important in the field of materials science, representing a turning point in the accelerated discovery, development and optimization of materials. The versatility of drop-on-demand inkjet printing allows its implementation with HTE strategies for combinatorial chemistry studies by fabricating complex-shape test compositional gradient films, suitable for parallel characterization of morphological, structural and functional properties. This project will explore such approach together with advanced characterization techniques and the use of machine learning algorithms in order to push forward the optimization in growth and performance of high-temperature REBCO superconducting films, prepared following the recently developed transient-liquid assisted growth chemical solution deposition (TLAG-CSD) route where ultrafast growth rates, above 100 nm/s, are achieved. Altogether, the main aim is to promote the use of high temperature superconductors to reduce the negative impact of fossil fuels and enable the full transition to renewable energy alternatives.
Ficha del proyecto: JAEIntroAIHUB21-02
Identificador del proyecto: JAEIntroAIHUB21-03
Tutor/es: Cefe López
Grupo de investigación: Grupo de cristales fotónicos (http://luxrerum.org)
Dirección del Centro: Instituto de Ciencia de Materiales de Madrid, Sor Juana Inés de la Cruz 2, 28049, Madrid
Título del proyecto: Redes neuronales de láseres estocásticos
Resumen del proyecto: Aunque la mayoría de la computación clásica se lleva a cabo en procesadores de silicio, el desarrollo de la inteligencia artificial requiere nuevas arquitecturas fundamentalmente diferentes a los procesadores de silicio clásicos. Los láseres estocásticos son dispositivos fotónicos emisores de luz fáciles de fabricar y que pueden ser fácilmente integrados en una plataforma formando una red neuronal. El carácter intrínsecamente no lineal de los láseres dota dicha red de capacidad computacional requerida para encarnar inteligencia artificial y su emisión omnidireccional facilita su interconexión a la vez que su naturaleza aleatoria reduce las demandas de precisión en la fabricación. Los dispositivos se fabrican perforando agujeros en una película de bio-polímero mediante técnicas de ablación láser y bombeando ópticamente el segmento que los une. Cada agujero puede pertenecer a varios resonadores y estos pueden acoplarse formando estrellas, cadenas o cualquier configuración imaginable.
Ficha del proyecto: JAEIntroAIHUB-03
Identificador del proyecto: JAEIntroAIHUB21-04
Tutor/es: Ignasi Fina
Grupo de investigación: Ignasi Fina
Dirección del Centro: Institut de Ciència de Materials de Barcelona (ICMAB-CSIC), Carrer dels Til·lers sn. Campus UAB, Bellaterra 08193; Catalonia; Spain
Título del proyecto: Development of new materials for neuromorphic computing
Resumen del proyecto: Computing as we know it today is doomed to disappear. New paradigms of quantum computing or emulating the human brain are being developed, so new materials are needed. Among the research being carried out for the development of materials to be integrated into neuromorphic computing devices are ferroelectric materials. The information in this type of material can be stored in the form of an electric charge state. This state can be "read" by resistance measures. The relationship between the state of electric charge and resistance is given by the band diagram of the material. It is for this reason that research becomes essential. The aim of the project is to investigate the band diagram in ultra-thin layers (<5 nm) of potentially industrially integrable ferroelectric materials.The student will perform tasks and develop activities in the field of material growth. This includes structural, morphological, and electrical characterization. The project also includes computing tasks. Finally, the student will train skills in data analysis, summary generation and presentation of results. The PhD will integrate a group with students and researchers with diverse expertise and aims. The project will also be integrated in in-going collaborations with MIT (USA), University of Cambridge (UK), and others. The thesis will be supervised by Ignasi Fina (https://scholar.google.com/citations?user=e0qqw3YAAAAJ&hl=ca) with an intensive production and several on-going projects regarding the topic during the last years.
Ficha del proyecto: JAEIntroAIHUB-04
Identificador del proyecto: JAEIntroAIHUB21-05
Tutor/es: Helena Domínguez Sánchez (https://calderilla15.wixsite.com/helenadominguez)
Grupo de investigación: Machine Learning and Galaxy Evolution
Dirección del Centro: Institute of Space Sciences (ICE-CSIC), Carrer de Can Magrans, 08193 Cerdanyola del Vallès, Barcelona
Título del proyecto: Cycle-GANs: generating artificial images for supervised galaxy classification deep learning algorithms
Resumen del proyecto: Supervised deep learning (DL) algorithms have been demonstrated to be extremely successful and efficient for classifying large number of galaxy images (e.g., Domínguez Sánchez et al. 2018, 2019). However, these supervised algorithms need of large labelled training sets coming from the same data domain as the sample they aim to be applied to. Brand new surveys would require of a visual inspection of a large number of galaxies to construct catalogues which can serve as training, but this step is very time consuming. This limitation can be overcome by generating artificial data by means of a Cycle GAN, which is an image “translator”. A generative adversarial network (GAN, Goodfellow et al. 2014) is a class of machine learning framework which learns to generate new data with the same statistics as the training set by combining two neural networks which contest with each other in a game (in the form of a zero-sum game, where one agent's gain is another agent's loss). A cycle GAN combines two generators and two discriminators to convert an image from data domain A into its corresponding version from data domain B. In particular, in this project we will convert SDSS images, with available morphological labels, into their DES counterparts. Then we will test the ability of DL models trained with the mock DES galaxies and the SDSS labels to properly classify original DES images. If successful, this approach will be a fundamental shortcut for classifying galaxy images in future Big Data surveys such as Euclid or LSST.
Ficha del proyecto: JAEIntroAIHUB21-05
Identificador del proyecto: JAEIntroAIHUB21-06
Tutor/es: Helena Domínguez Sánchez (https://calderilla15.wixsite.com/helenadominguez)
Grupo de investigación: Machine Learning and Galaxy Evolution
Dirección del Centro: Institute of Space Sciences (ICE-CSIC), Carrer de Can Magrans, 08193 Cerdanyola del Vallès, Barcelona
Título del proyecto: Discovering galaxy formation channels with unsupervised learning
Resumen del proyecto: Galaxies show a very complex and diverse evolutionary paths for which we do not have yet a comprehensive picture. One of the main reasons is that their evolution is so slow in time that we can only study galaxies at the moment of the observations. Simulations are of great help to overcome that issue. In particular, the IllustrisTNG project is a suite of state-of-the-art cosmological galaxy formation simulations. Each simulation in IllustrisTNG evolves a large swath of a mock Universe from soon after the Big-Bang until the present day while taking into account a wide range of physical processes that drive galaxy formation. The simulations can be used to study a broad range of topics surrounding how the Universe — and the galaxies within it — evolved over time. Combining the TNG50 simulations with unsupervised learning algorithms, will allow us to find underlying patrons in the intricate pathways followed by galaxies up to the present day. Unsupervised learning is a rather unexplored tool in astronomy but with an incredible potential to help us find the unknown and unexpected.
Ficha del proyecto: JAEIntroAIHUB21-06
Identificador del proyecto: JAEIntroAIHUB21-07
Tutor/es: Veronica Sanz y Gabriela Baremboim
Grupo de investigación: SOM
Dirección del Centro: Instituto de Física Curpuscular, Carrer del Catedrátic José Beltrán Martinez, 2, 46980 Paterna, Valencia
Título del proyecto: Desarrollo de un app para el apoyo a la detección temprana de Alzheimer con el uso de Inteligencia Artificial
Resumen del proyecto: En este proyecto proponemos desarrollar un algoritmo que, basado en una imagen de un dibujo elaborado por el paciente, establezca una probabilidad de presencia de Alzheimer. Basado en este algoritmo, desarrollar un app capaz de correr en un dispositivo móvil, que transforme una foto del dibujo en una probabilidad de Alzheimer. Establecer, trabajando con responsables sanitarios, un mecanismo de validación de los resultados que siente las bases para una herramienta de uso más generalizado.
Ficha del proyecto:
Identificador del proyecto: JAEIntroAIHUB21-08
Tutor/es: Roi Naveiro, roi.naveiro@icmat.es, Nuria Campillo, nuria.campillo@csic.es
Grupo de investigación: DataLab Group, Institute of Mathematical Sciences. https://roinaveiro.github.io/
Dirección del Centro: Instituto de Ciencias Matemáticas (ICMAT), Campus Cantoblanco UAM, C/ Nicolás Cabrera, 13-15, 28049 Madrid, España
Título del proyecto: Generative models and Bayesian optimization for de novo design with applications to CB2R ligands discovery
Resumen del proyecto: Drug design with specific properties entails high research and development costs. Therefore prediction of such properties based on relevant features is essential in such activity. From a computational point of view, this entails two core activities: the identification of drug like molecules that serve as potential candidates and the evaluation of these candidates through some performance measure. The usual approach to identify promising candidates goes as follows: chemical experts identify a set of possible candidates, and quantitative structure–activity relationship models (QSAR models, typically machine learning ones) are built to screen the candidates and select the most promising ones which will be later synthesized and biologically evaluated. One of the goals of the project is to develop methods to identify promising molecules automatically, reducing the intervention of chemical experts. For that, generative models (such as variational autoencoders) capable of creating drug-like molecules will be trained and optimized in order to generate molecules with optimal performance. Bayesian optimization methods will be used for optimization purposes. As underlying case study, we shall consider the case of cannabinoid CB2 receptors. These have been instrumental in the treatment of numerous diseases and lack the negative effects of CB1 receptors but their development is extremely costly.
On the whole, we aim at developing a decision theoretic QSAR approach to CB2 receptor ligands design based on AI predictive models and a utility model which takes into account the costs and benefits associated with research and development in drug discovery. 
Ficha del proyecto: JAEIntroAIHUB21-08
Identificador del proyecto: JAEIntroAIHUB21-09
Tutor/es: Massimiliano Zanin
Grupo de investigación: Complex Systems
Dirección del Centro: Instituto de Física Interdisciplinar y Sistemas Complejos (IFISC-CSIC-UIB), Campus Universitat de les Illes Balears, Palma de Mallorca, Spain
Título del proyecto: Modular deep learning architectures for the classification of time series
Resumen del proyecto: Within the larger field of Deep Learning, many models have been proposed to tackle the problem of classifying time series – e.g. to be able to detect the health condition of a patient given a time series representing some bodily observable. These are usually adapted from other problems, mostly image classification, and some of the most popular and effective solutions include Fully Convolutional Neural Network (FCN), Multi-Channel Deep Convolutional Neural Networks (MCDCNN) or Residual network (ResNet). Notably, these models are based on different configurations of a small set of basic computational elements, e.g. convolutional or pooling layers. In this project we will develop a modular software library, able to train and evaluate different neural network topological structures, with the aim of 1) evaluate to what degree the performance of the model depends on the topology, and 2) whether the best topology is a function of the data under analysis. The evaluation will leverage on multiple data sets, coming from biological (brain dynamics), social (financial markets) and technological (air transport) systems. Finally, the student will have the possibility of working and getting proficient with industry-standard software libraries (TensorFlow and Keras for Python) and hardware infrastructure (in-house cluster of Nvidia GPUs).
Ficha del proyecto: JAEIntroAIHUB21-09
Identificador del proyecto: JAEIntroAIHUB21-10
Tutor/es: José M. de la Rosa, jrosa@imse-cnm.csic.es, jrosa@us.es.
Grupo de investigación: José M. de la Rosa
Dirección del Centro: Instituto de Microelectrónica de Sevilla, IMSECNM (CSIC, Universidad de Sevilla)
Título del proyecto: Digitalización inteligente para sistemas de radio cognitiva
Resumen del proyecto: La tecnología denominada radio cognitiva o CR (de Cognitive Radio) permite hacer un uso más eficiente del espectro electromagnético, modificando de forma dinámica sus parámetros de transmisión y recepción en función de la información sensada del entorno. La implementación de esta tecnología requiere, por un lado, diseñar un sistema de comunicaciones con una digitalización lo más próxima a la antena, de forma que se incremente su capacidad de programabilidad mediante software. Por otro lado, se requiere dotar al sistema de un cierto grado de inteligencia, de forma que sea capaz de establecer, de forma óptima y autónoma, las especificaciones de sus componentes en función de las condiciones del entorno (cobertura, ocupación del espectro, interferencias), estado de la batería, y consumo de energía. El proyecto en el que se enmarca el trabajo de iniciación a la investigación que se propone, tiene como objetivo fundamental el diseño de digitalizadores basados en CR. Para ello, se pretenden desarrollar topologías de transceptores con una alta capacidad de adaptabilidad, de forma que sus prestaciones puedan ser controladas por algoritmos de inteligencia artificial. Aunque el proyecto abarca aspectos de todo el sistema de comunicación, el diseño físico se centra en el digitalizador como bloque esencial constituyente de los dispositivos CR-IoT. Se combinarán técnicas de digitalización de señales de radio con procesamiento de aprendizaje automático (machine learning). Para la realización del digitalizador propuesto, se diseñará un chip en una tecnología de 28nm.er también www.imse-cnm.csic.es/~jrosa
Ficha del proyecto: JAEIntroAIHUB21-10
Identificador del proyecto: JAEIntroAIHUB21-11
Tutor/es: Bernabe Linares-Barranco bernabe@imse-cnm.csic.es  http://www2.imse-cnm.csic.es/~bernabe/
Grupo de investigación: Neuromorphic Group (http://www.imse-cnm.csic.es/neuromorphs/)
Dirección del Centro: Instituto de Microelectronica de Sevilla (IMSE-CNM). C/ Américo Vespucio, 28. Parque Científico y Tecnológico Cartuja, 41092 Sevilla
Título del proyecto: Low-Energy AI for Always-On Edge Devices
Resumen del proyecto: The project for the successful candidate will consist in getting familiar with SNN software for training such neural networks and apply it to camera recordings obtained from DVS cameras available at IMSE, to recognize familiar objects. Once a specific computing architecture is performing correctly using the software, it would be deployed on the SpiNNaker or Loihi computing platforms available at IMSE, running the SNN algorithm with live DVS data. Our group has experience in both: (a) computational aspects of SNNs using and creating SNN databases for machine learning training, down to (b) fully hardware aspects for SNN implementations ranging from programming FPGAs or to designing specific chips. Therefore, the project can be adapted to the candidate’s preferences and prior training, emphasizing more the computational and algorithmic aspects or setting the strength onto more hardware-specific aspects. The schedule and duration of the scholarship are negotiable with the successful candidate in order to adjust them to the candidate’s restrictions and preferences during the training at IMSE. Ver más información en la ficha a continuación.
Ficha del proyecto: JAEIntroAIHUB21-11
Identificador del proyecto: JAEIntroAIHUB21-12
Tutor/es: David Barberá-Tomás
Grupo de investigación: Ingenio (CSIC-UPV)
Dirección del Centro: Universidad Politécnica de Valencia, Edificio 8E, Cam. de Vera, 46022 Valencia
Título del proyecto: La AI en imagen médica durante la crisis del Covid-19
Resumen del proyecto: El proyecto consiste en crear y codificar una base de datos de artículos sobre algoritmos AI en imagen médica para la diagnosis y prognosis del Covid-19. Los 320 artículos provienen de una revisión sistemática publicada en Nature Artificial Intelligence (Roberts et al., 2021). La principal tarea del proyecto es clasificar los artículos según la procedencia de los datos de imagen médica computerizada (datos abiertos, proporcionados por un consorcio, etc.) y el tipo de algoritmo de AI emplean (deep learning, random forest, support vector machine, etc.). El proyecto se inscribe en una investigación más amplia -enmarcada dentro de las ciencias sociales- acerca de la influencia de las distintas formas de control de los datos sobre la dirección de la actividad innovadora en AI en imagen médica. Además del trabajo de clasificación de artículos, esta investigación emplea otras metodologías cualitativas (como entrevistas con desarrolladores de algoritmos o médicos) que también serán parte de las actividades de formación del solicitante durante el proyecto.
Ficha del proyecto: JAEIntroAIHUB21-12
Identificador del proyecto: JAEIntroAIHUB21-13
Tutor/es: Dra. M. Dolores del Castillo Sobrino
Grupo de investigación: Grupo de Ingeniería Neural y Cognitiva (gNec) https://g-nec.car.upm-csic.es/
Dirección del Centro: Centro de Automática y Robótica (CAR), CSIC-UPM, Ctra. Campo Real, km. 0,200. 28500 Arganda del Rey. Madrid
Título del proyecto: Modelado Cognitivo de la interferencia entre recursos en la ejecución de tareas duales
Resumen del proyecto: El objetivo del proyecto, que se propone para esta beca, radica en la construcción de los modelos cognitivos asociados a cada una de las teorías de interferencia de recursos en la realización de una tarea dual. Cada modelo cognitivo será ejecutado en un robot físico (tipo robot de compañía). La doble tarea que llevarán a cabo se enmarcará en el paradigma cognitivo-motor y constará de una tarea con un componente cognitivo (realización de una operación aritmética) y una tarea con un componente motor (elevación de los miembros superiores hasta una determinada altura). En estos modelos se estudiarán los recursos operacionales y de información necesarios para incorporar las distintas teorías, así como las métricas para comparar el rendimiento entre modelos como el tiempo de ejecución o el porcentaje de recursos empleados, entre otras. Ver antecedentes del proyecto en la ficha a continuación. 
Ficha del proyecto: JAEIntroAIHUB21-13
Identificador del proyecto: JAEIntroAIHUB21-14
Tutor/es: Xavier Giró-i-Nieto y Francesc Moreno-Noguer
Grupo de investigación: RobIRI: Robot Perception and Manipulation
Dirección del Centro: Institut de Robotica i Informatica Industrial UPC-CSIC, Carrer de Llorens i Artigas, 4, 08028 Barcelona
Título del proyecto: Neural Sign Language Translation for Virtual Reality
Resumen del proyecto: This research project aims at exploiting the recent advances in neural machine translation, together with the latest technologies, for virtual reality human-to-human communication. The main goal is exploring the capabilities of the Facebook Oculus 2 headset for sign language translation, that is, to recognize a continuous sequence of signs and translate them to spoken language. While Oculus 2 possesses a high precision hands tracker~\cite{han2020megatrack}, it also covers the face of the signer, where a small portion of the sign language expression occurs. The project will quantify the loss of accuracy due to the loss of these facial features on a novel dataset of 4 hours to be recorded during this project. The recording will contain the same contents of the test partition of How2Sign~\cite{duarte2021how2sign}, a dataset published by the project advisors in the International Conference in Computer Vision and Pattern Recognition (CVPR) 2021, ranked \#4 in the most impactful publications across science according to the Google Scholar metrics 2021.
Ficha del proyecto: JAEIntroAIHUB21-14
Identificador del proyecto: JAEIntroAIHUB21-15
Tutor/es: Luis Alejandro Camuñas Mesa
Grupo de investigación: Neuromorphic Systems
Dirección del Centro: Instituto de Microelectrónica de Sevilla IMSE-CNM, C/ Américo Vespucio, 28. Parque Científico y Tecnológico Cartuja, 41092 Sevilla
Título del proyecto: Deep Learning Bio-inspired Processing Systems for Vision Applications
Resumen del proyecto: The project for the successful candidate will consist in developing neural processing algorithms for visual recognition, focusing on software implementation in a first stage and eventually on hardware platforms. For that the following tasks are identified: (a) getting familiar with the use of DVS cameras available at IMSE, understanding their operation principle and obtaining several datasets under different environments, (b) development of multi-layer neural networks for high-speed processing of visual information provided by DVS cameras, (c) implementation of complete neuromorphic systems with online learning capable of real-time object recognition. For hardware implementation, several platforms are available at IMSe, like SpiNNaker or Loihi computing platforms, and general purpose FPGAs or custom-made chips. Therefore, the project can be adapted to the candidate’s preferences and prior training, emphasizing more the computational and algorithmic aspects or setting the strength onto more hardware specific aspects. Schedule and duration of the scholarship is negotiable with the successful candidate in order to adjust them to the candidate’s restrictions and preferences during the training at IMSE. Ver los antecentes del proyecto en la ficha a continuación. 
Ficha del proyecto: JAEIntroAIHUB21-15
Identificador del proyecto: JAEIntroAIHUB21-16
Tutor/es: Mariella Dimiccoli
Grupo de investigación: RobIRI: Robot Perception and Manipulation
Dirección del Centro: Instituto de Robótica e Informática Industrial (IRII), Carrer Llorens i Artigas 4-6, 08028, Barcelona
Título del proyecto: Advancing self-supervised deep learning in graph-structured domains
Resumen del proyecto: In this project, the student will join recent efforts of the group towards developing a generative approach that learns graph node representations in a self-supervised fashion, while preserving relevant graph properties. The originality and potential of our approach resides in the use of graph structure local and global properties to provide supervisory signals for the pretext task. Given the practical advantages of self-supervised learning and the fact that graph structured data is ubiquitous throughout several disciplines and real world problems, the results of this work are expected to have high impact. Ver la información ampliada en la ficha a continuación. Through this project the student will acquire significant knowledge and skills in several aspects. From a methodological point of view, he will be confronted with and manipulate the most recent machine learning models in graph neural networks and self-supervised learning. From a practical point of view, he will be working on an important and concrete application problem using public benchmarks for representation learning on graphs and gain expertise in the latest deep learning development frameworks (such as PyTorch).
Ficha del proyecto: JAEIntroAIHUB21-16
Identificador del proyecto: JAEIntroAIHUB21-17
Tutor/es: Arantza Oyanguren, Luca Fiorini
Grupo de investigación: Física Experimental de Altas Energías en Colisionadores/Grupo de Física del Bosón de Higgs con el Experimento ATLAS del LHC
Dirección del Centro: Instituto de Física Corpuscular (IFIC), Parque científico, Unoversidad de Valencia. Carrer del Catedrátic José Beltrán Martinez, 2, 46980 Paterna, Valencia
Título del proyecto: Reconstrucción de señal en experimentos de física de altas energías con Aprendizaje Automático en FPGAs y GPUs
Resumen del proyecto: Las partículas que atraviesan los detectores en los experimentos de física de altas energías producen señales que son analizadas y reconstruidas por la electrónica de adquisición de datos para determinar parámetros como su trayectoria, impulso, energía o tiempo. En este tipo de experimentos se necesita reconstruir las señales en tiempo real con una latencia mínima y con la máxima precisión posible. Por este motivo, se desarrollarán algoritmos basados en Aprendizaje Automático profundo con aceleradores de bajo consumo de energía (FPGAs y GPUs). Se estudiará el funcionamiento de los algoritmos desarrollados y confrontará sus rendimientos con métodos clásicos.
Ficha del proyecto: JAEIntroAIHUB21-17
Identificador del proyecto: JAEIntroAIHUB21-18
Tutor/es: Jorge Villagra
Grupo de investigación: AUTOPIA
Dirección del Centro: Centro de Automática y Robótica
Título del proyecto: Convergencia de Control sin Modelo y Aprendizaje por Refuerzo en Conducción Autónoma
Resumen del proyecto: Las redes neuronales profundas se han convertido en la solución predominante (y casi ineludible) para desarrollar sistemas de toma de decisiones para la conducción autónoma. Sin embargo, los métodos de aprendizaje profundo requieren conjuntos de datos de entrenamiento muy grandes para cada situación posible de conducción, de tal manera que cumplir con los requisitos actuales de seguridad autónoma del vehículo es intrínsecamente difícil de lograr. El objetivo de este proyecto será analizar si ese paradigma de Control sin Modelo puede convertirse en una alternativa segura a los sistemas de control basados en IA en el contexto de la conducción autónoma, aumentando su capacidad de auto-adaptación a las condiciones operativas, y preservando un comportamiento verificable. Ver mas información en la ficha a continuación. 
Ficha del proyecto: JAEIntroAIHUB21-18
Identificador del proyecto: JAEIntroAIHUB21-19
Tutor/es: Miguel C. Soriano y Roberta Zambrini
Grupo de investigación: Complex quantum systems group
Dirección del Centro: Institute for Cross-Disciplinary Physics and Complex Systems (IFISC). Campus Universitat de les Illes Balears07122 Palma de Mallorca, Spain
Título del proyecto: Quantum machine learning in the cloud
Resumen del proyecto: Quantum systems are likely to provide a computational advantage over classical systems for machine learning tasks. Currently, the most advanced hardware for quantum computing can only be operated in a few selected research centers around the world. The IBM quantum experience aims at providing remote access to a platform of superconducting qubits, where users can run their algorithms over the quantum hardware. In this project, we will investigate how to operate the IBM quantum computing platform for the processing of sequential information in the context of the machine-learning paradigm of reservoir computing. Reservoir computing is ideally suited to process time series, for instance to forecast the power demand of the electric grid or the occurrence of an earthquake. While quantum reservoir computing has already proven valuable in numerical simulations, the proper way to operate the quantum hardware remains a challenge [1,2]. The candidate will be able to work in edge applications with a particular attention to the role of quantum information encoding and quantum measurement.
Ficha del proyecto: JAEIntroAIHUB21-19
Identificador del proyecto: JAEIntroAIHUB21-20
Tutor/es: Gian Luca Giorgi y Roberta Zambrini
Grupo de investigación: Complex quantum systems group
Dirección del Centro: Institute for Cross-Disciplinary Physics and Complex Systems, IFISC (CSIC-UIB) Campus Universitat de les Illes Balears07122 Palma de Mallorca, Spain
Título del proyecto: Assessing the power of variational quantum classifiers and quantum extreme learning machines
Resumen del proyecto: While quantum reservoir computing is especially suited to solve time-dependent tasks, quantum extreme learning machines can be useful in problems as diverse as state preparation, state reconstruction, and also data classification. The main scope of this project is to build a comprehensive framework to benchmark the performance of variational quantum classifiers and quantum extreme learning machines, considering both the standard paradigm of classification of classical data and the classification of purely quantum information, such as entanglement, coherence, etc. We will also study the possibility of implementing both methods in physical systems, exploring different theoretical models and experimental platforms. Ver los antecedente y referencias en la ficha a continuación.
Ficha del proyecto: JAEIntroAIHUB21-20
Identificador del proyecto: JAEIntroAIHUB21-21
Tutor/es: Liset Menendez de la Prida
Grupo de investigación: Instituto Cajal. CSIC. Madrid 28002, Spain. http://hippo-circuitlab.es/
Dirección del Centro: Instituto Cajal. CSIC. Av. Dr. Arce, 37, 28002 Madrid
Título del proyecto: Convolutional neural networks for detecting memory-related neurophysiological events
Resumen del proyecto: Understanding the function of the hippocampus in memory requires detection and manipulation of sharp wave ripples (SWRs), a type of short-lived oscillation underlying memory consolidation. While spectral filter methods are widely used, they suffer from issues especially when dealing with poor signal-to-noise ratios and experimental artefacts. To address this challenge, we used Convolutional Neural Networks (CNN) to detect SWRs in the hippocampal local field potentials (LFP) recorded from laboratory mice. The architecture included seven convolutional layers, which process LFP inputs to provide an output probability of SWR occurrence. We trained the network with two recording sessions annotated by an expert electrophysiologist. Using supercomputer resources, we tested several hyper-parameter combinations that provided stable operation.
Ficha del proyecto: JAEIntroAIHUB21-21
Identificador del proyecto: JAEIntroAIHUB21-22
Tutor/es: Dr. Adrià Colomé Figueras
Grupo de investigación: RobIRI: Robot Perception and Manipulation at IRI
Dirección del Centro: Institut de Robòtica i Informàtica Industrial. C/ Llorens i Artigas 4-6. 08028 Barcelona (Barcelona)
Título del proyecto: Latent variable models for dynamic cloth representation and control
Resumen del proyecto: The aim of this project is to work on latent variable models to represent the dynamic behaviour of cloth garments for robotic manipulation. In particular, statistical inference based methods that can project the cloth state into a much smaller dimensional space, allowing a controller to control a more manageable space. The candidate should be familiar with robotics and statistical inference methods such as Gaussian Processes, and have a good level of mathematics and programming skills.
Ficha del proyecto: JAEIntroAIHUB21-22
Identificador del proyecto: JAEIntroAIHUB21-23
Tutor/es: Eduardo R. Hernández y Jorge Bravo Abad
Grupo de investigación: ICMM
Dirección del Centro: Instituto de Ciencia de Materiales de Madrid (ICMM), Campus de Cantoblanco, 28049 Madrid, Spain
Título del proyecto: Generative Graph Convolutional Neural Networks applied to Materials Science Problems
Resumen del proyecto: In this project we aim to use Graph Convolutional Neural Networks to accelerate the design and theoretical analysis of crystalline, amorphous and molecular materials. Specically, our aim is to design generative systems such as Variational Auto-Encoders (VAE) or Generative Adversarial Networks (GAN) capable of working with graphs, that can be trained on existing materials databases, and used in order to create new crystal or molecular structures with desirable structural or chemical/physical properties. This eld of research is at the cutting edge of the application of Arti cial Intelligence techniques to Materials Science and Condensed Matter Physics. Ver más información en la ficha a continuación. 
Ficha del proyecto: JAEIntroAIHUB21-23
Identificador del proyecto: JAEIntroAIHUB21-24
Tutor/es: Jùlia Borrás y Maria Alberich-Carramiñana
Grupo de investigación: Robot Perception and Manipulation at IRI (RobIRI)
Dirección del Centro: Institut de Robòtica i Informàtica Industrial (IRI). Carrer de Llorens i Artigas, 4, 08028 Barcelona
Título del proyecto: Task-oriented semantic classification of cloth configuration states using topological and geometrical indices
Resumen del proyecto: Robotic manipulation of cloth (folding, dressing) is a highly complex task because of its in nite-dimensional shape-state space. In order to manipulate textiles with a robot as autonomously as possible, the robot needs to recognise in which state the piece of cloth is both at the high level (understanding what tasks can be applied to it) and at the low level (to know specific locations of elements that need to be manipulated). The aim of this project is to set a mathematical framework of low-complexity cloth representation in the context of its robotic manipulation (more specifically, folding or unfolding). Following preliminary results from the group, it will focus on the definition and study of topological or geometrical invariants that are able to distinguish between different folded states of a piece of cloth. The project has a duration of 9 months that will allow the student to work in close collaboration with our team to study how the de ned measure can be applied to divide the in nite-dimensional cloth state space into task-dependent macro-states that simplify the understanding of the space.
Ficha del proyecto: JAEIntroAIHUB21-24
Identificador del proyecto: JAEIntroAIHUB21-25
Tutor/es: Guillem Alenyà
Grupo de investigación: Robot Perception and Manipulation at IRI (RobIRI)
Dirección del Centro: Institut de Robòtica i Informàtica Industrial (IRI). Carrer de Llorens i Artigas, 4, 08028 Barcelona
Título del proyecto: Development of perception skills for building coherent explanations during robotic manipulation
Resumen del proyecto: In the context of the CHIST-ERA project COHERENT, we are investigating how a robotic system composed of different layers of intelligent systems can generate coherent explanations about the robot intentions behind an action or the reasons for failure. Such explanations provided not only at the end of a task but during the manipulation can ensure a more trustworthy relationship during robotic assistive tasks. In this framework, the student will work at the perception level to recognize the different scene states during a task, emphasizing on the uncertainty quanti cation of the recognized parameters/states. This will contribute to the explainability of the overall system. The student will work in close collaboration with the COHERENT team that is already working at the decision-making and action execution levels, with the objective of studying how to represent the knowledge learned at the different levels in a way that can be used to synthesize explanations. The project has a duration of 9 months that will allow the student to learn new techniques and to train and evaluate the solution in realistic scenarios. Collaboration with international partners and scientific publications are expected.
Ficha del proyecto: JAEIntroAIHUB21-25
Identificador del proyecto: JAEIntroAIHUB21-26
Tutor/es: Jesus Cerquides Bueno (IIIA-CSIC) y Jose Luis Fernandez-Marquez (University of Geneva)
Grupo de investigación: Learning Systems
Dirección del Centro: Instituto de Investigación en Inteligencia Artificial (IIIA). Campus UAB, Bellaterra, Barcelona (eventualmente se podría estudiar que la beca se llevase a cabo parcialmente en Ginebra, o que el estudiante hiciera alguna estancia allí).
Título del proyecto: Faster cost effective disaster management through active learning
Resumen del proyecto: In the CROWD4SDG EU project at IIIA-CSIC we are working together with UN and University of Geneva (among other partners) in providing AI tools that can help fulfill the Sustainable Development Goals (SDGs). One of the tools which development is planned makes use of information obtained from social media (specifically, images captured from Twitter) to help assist disaster relief when a disaster, such as a flooding, an earthquake or a volcano eruption occurs. In particular we are interested in the determination of the relevance of images and an automatic assignment of the level of damage shown in the images, whether directly affected humans are shown and so on. This is currently done by means of human annotators. We are interested in minimizing the amount of information requested to human annotators and that decreases the time to annotation, by designing a pipeline that uses active learning, thus only requesting to the human experts those images that the machine learning algorithm is unable to annotate carefully. The student will be responsible for the evaluation of active learning strategies in this scenario, under the direction of the tutors and in close collaboration with PhD student Hafiz Firmansyah from University of Geneva.
Ficha del proyecto: JAEIntroAIHUB21-26
Identificador del proyecto: JAEIntroAIHUB21-27
Tutor/es: Carlos Escobar Ibáñez
Grupo de investigación: Física Experimental de Altas Energías en Colisionadores
Dirección del Centro: Instituto de Física Corpuscular (IFIC). Carrer del Catedrátic José Beltrán Martinez, 2, 46980 Paterna, Valenci
Título del proyecto: Forecasting hazardous geomagnetically induced currents for Spanish critical infrastructures
Resumen del proyecto: This training project, that uses a multidisciplinary approach, aims to understand and forecast, in an unprecedented way in our country, the effects of Space Weather on the Earth's surface, and particularly the geomagnetically induced currents (GICs) that flow in long earthed conductors like communications, transport, or power transmission networks. The ultimate goal is to provide a real-time prediction of the GICs from extreme geomagnetic storms on the Spanish critical infrastructures. To achieve this, we use real-time warnings of solar storms from the ACE space probe at the L1 point in space, which leads to disruptions on Earth some 30-45 minutes later. Using deep learning and mathematical models, we study how data from ACE would translate into changes on the induced underground currents and their effects on the power grid. We will specialise on the modelling of the Iberian Peninsula, providing an early warning system. Ver antecedentes en la ficha a continuación.
Ficha del proyecto: JAEIntroAIHUB21-27
Identificador del proyecto: JAEIntroAIHUB21-28
Tutor/es: Mario Toboso
Grupo de investigación: Grupo de Ética Aplicada (GEA) y del Grupo Ciencia, Tecnología y Sociedad (CTS)
Dirección del Centro: Instituto de Filosofía (IFS). C/Albasanz, 26-28. Madrid 28037 (España
Título del proyecto: Aspectos éticos y sociales para una IA inclusiva y socialmente responsable
Resumen del proyecto: El plan de trabajo que se ofrece es una aproximación a las principales cuestiones éticas y sociales que suscitan los sistemas interactivos basados en IA en ámbitos como el aprendizaje, la toma de decisiones, la agencia, la responsabilidad y la rendición de cuentas. Este plan incluye los siguientes temas: -Detección y prevención de sesgos en las inteligencias artificiales, con especial atención a la perspectiva de género. -Injusticia algorítmica y modificación del sentido del mérito, el esfuerzo y la justicia distributiva. -Realidad humana temporalizada e IA. -Interacción humano-IA con especial atención a los entornos de asistencia y cuidado. -Responsabilidad distribuida y daño en IA. -Privacidad, explicabilidad y auditabilidad de los algoritmos. -Límites ecológicos de la IA.
Ficha del proyecto: JAEIntroAIHUB21-28
Identificador del proyecto: JAEIntroAIHUB21-29
Tutor/es: Jordi Sabater Mir y Josep Lluís Arcos
Grupo de investigación: Sistemas multiagente y Sistemas de aprendizaje
Dirección del Centro: Instituto de Investigación en Inteligencia Artificial (IIIA), Campus de la UAB, Carrer de Can Planas, Zona 2, 08193 Cerdanyola de Valles, Barcelona.
Título del proyecto: Uso de “reinforcement learning” para determinar el comportamiento de NPCs autónomos en entornos de simulació
Resumen del proyecto: Normalmente las entidades no controladas por el usuario (NPCs) en entornos de simulación o videojuegos basan su comportamiento en “scripts” que definen como éstas deben reaccionar a los eventos del mundo dado su estado interno. Este mecanismo es muy laborioso y requiere prever todas las posibilidades de antemano por parte del diseñador del escenario. Recientemente se está empezando a utilizar “reinforcement learning” (en concreto “Deep reinforcement learning”) para generar comportamiento de forma mucho más automática y obteniendo resultados mucho mejores y más robustos. Continuando el trabajo ya desarrollado en el IIIA-CSIC en este tema, el candidato trabajará en la integración de un NPC que simula un agente “curioso”, y que ha sido entrenado usando “reinforcement learning”, en un entorno realista de simulación de emergencias usado en el entrenamiento de bomberos. Las tareas se centrarán tanto en la mejora del proceso de aprendizaje como en la integración del NPC en el entorno 3D. Se valorará haber cursado asignaturas de Inteligencia Artificial (en especial tener conocimientos de “reinforcement learning”), tener conocimientos avanzados de programación en Python, y por último conocimiento del entorno de desarrollo de videojuegos Unity.
Ficha del proyecto: JAEIntroAIHUB21-29
Identificador del proyecto: JAEIntroAIHUB21-30
Tutor/es: David Arroyo Guardeño
Grupo de investigación: Grupo de investigación en Criptografía y Seguridad de la Información
Dirección del Centro: Instituto de Tecnologías Físicas y de la Información “Leonardo Torres Quevedo”, C/Serrano nº 144, 2806 Madri
Título del proyecto: Desarrollo de técnicas de aprendizaje profundo para la clasificación de memes empleados en campañas de desinformación
Resumen del proyecto: Unos de los principales retos en el ámbito cibernético viene determinado la dificultad de evaluar la fiabilidad de fuentes de información. En este proyecto se diseñará una técnica basada en aprendizaje profundo (Deep Learning) para identificar dinámicas y campañas de desinformación mediante análisis multimodal de texto y de imágenes. Para ello, se considerará como punto de partida la herramienta MsW desarrollada en el contexto del proyecto europeo TRESCA. El plan de formación a llevar a cabo se centrará en la identificación y/o creación de conjunto de datos y en el entrenamiento/validación de redes neuronales recurrentes y convolucionales para la clasificación de memes usados en operaciones de información científica. El equipo de trabajo encargado de supervisar el plan de formación forma parte tanto del proyecto TRESCA como del proyecto XAI-Disinfodemics adscrito a la temática 18 (“Desinformación, engaños y noticias falsas a través de canales públicos y privados”) de la convocatoria de proyectos en líneas estratégicas 2021 de la Agencia Estatal de Investigación.
Ficha del proyecto: JAEIntroAIHUB21-30
Identificador del proyecto: JAEIntroAIHUB21-31
Tutor/es: Angela Ribeiro
Grupo de investigación: Grupo de Percepción Artificial
Dirección del Centro: Centro de Automática y Robótica. Crta. Campo Real km. 0,200. Arganda del Rey. 28500 Madrid
Título del proyecto: Estrategia evolutiva para la generación automática de Redes Neuronales Convolucionales (CNN) eficientes en visión
Resumen del proyecto: Las redes neuronales convolucionales (CNN) se aplican con mucho éxito en visión por computador, en concreto en tareas de detección y clasificación de objetos. Las primeras arquitecturas CNN se han obtenido a partir de elaborados procesos de diseño en el que la pericia del diseñador ha sido la clave. Así los desarrollos disponibles son fruto de años de esfuerzo e ingenio. El grupo GPA está actualmente trabajando en la aplicación de estrategias evolutivas para la obtención de arquitecturas CNN optimizadas para entornos y tareas específicos. El estudiante se integraría en esta línea de investigación que ya ha proporcionado resultados muy interesantes. Con el trabajo propuesto, tendrá la oportunidad de acercarse a áreas de IA tan interesantes como la visión por computador, el aprendizaje automático, el aprendizaje profundo, la optimización a través de algoritmos evolutivos; todo ello aplicado a la resolución de un problema complejo importante en la agricultura como es la detección temprana de plagas.
Ficha del proyecto: JAEIntroAIHUB21-31
Identificador del proyecto: JAEIntroAIHUB21-32
Tutor/es: Jordi Levy
Grupo de investigación: Logic and Reasoning
Dirección del Centro: Artificial Intelligence Research Institute (IIIA). 
Título del proyecto: Models of Complex and Spatial Networks
Resumen del proyecto: Graph structures are omnipresent in many problems, from the eld of mathematics, computer science, AI, physics,. . . not only as networks or data structures, but also as the intrinsic structure of problems with constraints, the interaction of agents,. . . In recent years, complex networks or, more formally, scalefree graphs have attracted great attention. Preferential attachment has been proposed as a generic mechanism that gives rise to these types of graphs. However, it is a very partial model. In this project, we propose to study other mechanisms that give rise to these graphs, especially those that generate spatial graphs, where the nodes occupy positions in a certain space. These graphs, in addition to the variability in the arity of the nodes of scalefree graphs, present variability in the length of the arcs, fractal structures,. . . As possible applications, we will study the influence of these structures in some classical algorithms on graphs, and their possible adaptation. The candidates are expected to integrate into an international team that has been working on the subject for the last year. Skills in mathematics, statistical mechanics, complexity analysis, programming, AI, are necessary/appreciated. The candidates can hold a degree in Computer Science, Mathematics, or Physics.
Ficha del proyecto: JAEIntroAIHUB21-32
Identificador del proyecto: JAEIntroAIHUB21-33
Tutor/es: Sergi Foix
Grupo de investigación: Robot Perception and Manipulation at IRI (RobIRI)
Dirección del Centro: Instituto de Robótica e Informática Industrial (IRI). Carrer de Llorens i Artigas, 4-6, 08028 Barcelona (Spain)
Título del proyecto: End-to-end CNN-based model for action decision-making in Robotic cloth manipulation tasks
Resumen del proyecto: At the Perception and Manipulation Laboratory, in the context of both BURG and CLOTHILDE European projects, we investigate how robots can learn, execute and understand the manipulation of garments for complex tasks such as laundry handling, bed-making, or folding and unfolding kitchen rags, among others. For such purposes, we have developed different intelligent grippers that are capable of mimicking the required human prehensile actions. Moreover, we are also developing techniques for robot transfer learning by means of kinesthetic teaching and visual human demonstration. Under these conditions, the student will dedicate the time investigating about action decision- making algorithms based on the interpretation of force and close range visual information. Her/His research will focus on: creating a benchmark dataset based on force and visual data, and developing end-to-end CNN-based vision models for direct robot action control in manipulation of garments tasks, such as the ones listed above. The project will have a duration of 9 months that will give the student the opportunity to learn the latest Deep Learning techniques and to evaluate the solution in realistic scenarios. The student will be encouraged to collaborate with international partners and a to produce a scientific publication.
Ficha del proyecto: JAEIntroAIHUB21-33

JAE Intro conditions



5,850 euros, nine monthly payments of 650 euros, 5,200 euros, eight monthly payments of 650 euros, without additional provision.




Nine months if they join in December 2021 or eight months if they join in January 2021.


Work schedule

20 hours a week.



This grant is coordinated by the Artificial Intelligence Research Institute but the candidate will be located in the research center indicated in the selected project.


Start date:

The grant holders will be incorporated during the month of December 2021 or January 2022.



August 31, 2022.



Specific requirements of applicants


Bachelor or Degree:

Be studying at the time of application or have completed the Bachelor or Degree studies in any branch of knowledge in the academic year 2018-19 or later, and not be in possession or legal disposition to obtain a Doctorate degree.


Average grade of the undergraduate academic record:

Accredit an average grade of bachelor or degree, equal to or greater than 7.00 on the 0-10 scale and with 2 decimal places during the application delivery period.


Official University Master:

In case of having completed the degree, the applicant must be enrolled in an Official University Master in the academic year 2021/2022.


Other merits:

Specific programming skills will be valued.

Steps to follow to apply for the JAE Intro

  1. Download the  template “Application Document” (Documento de Solicitud) from the CSIC website: https://sede.csic.gob.es/intro2021icu

  2. Email to aihub@iiia.csic.es  with the following information: 

    1. Indicate the following in the subject of the email:
      [Grant JAE Intro 2021 Candidate´s Name and Surname]

    2. Complement the “Application Document” . You must use the information of the projects offered that are listed in the "Projects" tab in this page. In the first section of the Document you need to enter the following information:

      1. Nombre del ICU: Instituto de investigación en Inteligencia Artificial

      2. Siglas del ICU: IIIA

      3. Fecha de la Ficha descriptiva (1)    : 4/10/21

    3. Attach a photocopy of the identity document. In the case of non-EU applicants who do not have a residence permit, send a copy of the passport.

    4. Attach the applicant's resume. If you wish, you can use the CSIC standard “CV Model” that is on the page (https://sede.csic.gob.es/intro2021icu)

    5. Attach a photocopy of the applicant's academic record or certificate **

    6. Attach a Statement of Responsability according to a model that appears on the page  (https://sede.csic.gob.es/intro2021icu)

    7. Attach a Motivation Letter according to a model that appears on the page  (https://sede.csic.gob.es/intro2021icu)

** NOTE: In the case of studies completed, partially or totally, in foreign university systems, the document generated by the Ministry of Education and Professional Training (MEFP) with the calculation of the equivalence of the qualifications obtained with the Spanish qualification scale, available of users in the portal “Equivalence of average marks of university studies carried out in foreign centers”, together with the transcript or personal academic certificate.


Carles Sierra: CSIC Research Professor at the Artificial Intelligence Research Institut (IIIA). Director of the IIIA.



Carme Torras: CSIC Research Professor at the Institute of Robotics and Industrial Informatics (IRI). She is responsible for the Perception and Manipulation unit

Txetxu Ausín: Senior Scientist of the CSIC at the Institute of Philosophy, of the Center for Human and Social Sciences (IFS-CCHS). Deputy Director of the Institute of Philosophy (IFS)

Lara Lloret Iglesias: CSIC Researcher at the Institute of Physics of Cantabria (IFCA)

Arantza Oyanguren: Professor at the University of Valencia. CSIC researcher at the Valencia Corpuscular Physics Institute (IFIC)

Angela Ribeiro: Scientific Researcher at the CSIC of the Center for Automation and Robotics (CAR). Researcher in charge of the Artificial Perception Group (GPA)

Jose Javier Ramasco: Senior Scientist of the CSIC at the Institute of Interdisciplinary Physics and Complex Systems (IFISC) Coordinator of the Mobility 2030 platform of the CSIC and of the Data Analytics unit of the IFISC)


David Rios: CSIC Research Professor at the Institute of Mathematical Sciences (ICMAT). University Professor (in exc.)