• Somos una organización que promueve el aprendizaje constante.

• Valoramos la diversidad y la inclusión.

• Hacemos hincapié en un equilibrio saludable entre vida y trabajo.

• Somos colaborativos y transparentes.

• Somos amigables.

• Inria Chile se enorgullece de ser un empleador que ofrece plena igualdad de oportunidades.

En el estudio de las atmósferas estelares, la transferencia radiativa es un proceso fundamental que describe cómo la radiación se desplaza a través del material estelar, influyendo directamente en las ecuaciones de equilibrio hidrostático que balancean las fuerzas dentro de una estrella. Para calcular la presión radiativa, la ecuación de transferencia radiativa depende de la opacidad, una medida de cuánto se absorbe o dispersa la radiación en el material estelar, que a su vez depende de las condiciones físicas locales, como la temperatura y la presión. Tradicionalmente, los valores de opacidad se obtienen a partir de tablas complejas basadas en estos parámetros físicos, pero este método requiere muchos recursos computacionales y es limitado en flexibilidad.  

El objetivo de este tema es desarrollar un modelo de aprendizaje supervisado para mapear condiciones físicas, como la temperatura y la presión, a la opacidad y/o directamente a la presión radiativa. Un marco como este optimizaría los cálculos de opacidad, proporcionando un enfoque más rápido y adaptable para integrar los efectos de la transferencia radiativa en los modelos de atmósferas estelares, haciendo que las simulaciones de atmósferas estelares sean más eficientes computacionalmente.

Objetivos de la pasantía: 

• Desarrollar un modelo de aprendizaje supervisado para estimar opacidad y/o presión radiativa en función de condiciones físicas como temperatura y presión.

• Evaluar la precisión del modelo comparándolo con las tablas tradicionales de opacidad y su impacto en las simulaciones de transferencia radiativa.

Tareas principales

• Estudiar el background astronómico relevante: revisar la literatura sobre opacidad, presión radiativa y su importancia en atmósferas estelares.

• Diseñar y entrenar un modelo de aprendizaje supervisado para la estimación de opacidad y presión radiativa.

• Validar el modelo comparándolo con los valores obtenidos mediante tablas de opacidad tradicionales.

• Redactar un informe con los resultados, conclusiones y propuestas de mejora para futuros trabajos.

Perfil del estudiante: 

• Áreas de interés: Astrofísica, Atmósfera Estelar, Machine Learning

• Carreras: Ingeniería Civil con menciones en Eléctrica, Computación o relacionadas.

• Interés por machine learning aplicado a problemas científicos

• Si bien el foco de este tema es en machine learning, si el estudiante tiene además interés por la astronomía, este tema podría ser aún más interesante

• Proactividad en la resolución de problemas

• Prolijidad

• Autonomía

• Motivación por aprender

 Conocimientos técnicos:

• Python

• PyTorch ó Tensorflow

• Bases teóricas de Deep Learning

• Procesamiento de datos para DL

• Distribución de horas de prácticas entre enero y marzo 2025, según lo requerido por tu universidad. 

• Modalidad: presencial

• Ubicación: oficinas Inria Chile, Avda. Apoquindo 2827, piso 12, Las Condes, Santiago (metro Tobalaba). 

• Se entregará una compensación por concepto de colación y movilización de $350.000 pesos brutos.

Escríbenos una carta de motivación contándonos sobre tus habilidades e intereses, queremos conocerte, además indicanos:

• ¿Por qué quieres ser parte de nuestro equipo?

• ¿En qué fecha podrías comenzar tu práctica? 

• ¿Cuántos meses puedes colaborar con nosotros?

• ¿Cuántas horas de prácticas debes realizar? 

Contesta a este formulario y sube tu carta de motivación junto a tu CV.

Recibiremos postulaciones hasta el 08 de Diciembre 2024.