Escuela de Doctorado

Fecha de lectura: 13/02/2026

• FERRANDO MONSONÍS, JAVIER: Interpretability in Natural Language Processing and Machine Translation
  
  Autor/a: FERRANDO MONSONÍS, JAVIER
  Tesis completa: (contacta con la Escuela de Doctorado para confirmar que eres un doctor acreditado y obtener el enlace a la tesis)
  Programa: INTELIGENCIA ARTIFICIAL
  Departamento: Departamento de Ciencias de la Computación (CS)
  Modalidad: Normal
  Fecha de depósito: 13/11/2025
  Fecha de lectura: 13/02/2026
  Hora de lectura: 12:00
  Lugar de lectura: Sala MERIT D5010, Edifici D5, Campus Nord UPC, Barcelona
  Director/a de tesis: RUIZ COSTA-JUSSA, MARTA
  Resumen de tesis: Esta tesis presenta un conjunto de métodos y análisis destinados a mejorar nuestra comprensión de los mecanismos internos de los modelos basados en Transformers en el ámbito del procesamiento del lenguaje natural y la traducción automática.En primer lugar, el trabajo analiza el papel de los pesos de atención en Transformers encoder-decoder, mostrando que, aunque no proporcionan alineamientos precisos entre palabras, sí ayudan a explicar las predicciones del modelo y contribuyen a una comprensión más profunda de la calidad de la traducción.Una contribución central de esta tesis es el desarrollo de ALTI y sus extensiones, que ofrecen un nuevo enfoque para la atribución de predicciones a los tokens de entrada. Estos métodos cuestionan suposiciones previas sobre el poder explicativo de los mecanismos de atención y revelan cómo se propaga la información entre los componentes del encoder y el decoder. Al hacerlo, también arrojan luz sobre las fuentes de alucinaciones en los sistemas de traducción.Además, la tesis introduce técnicas para atribuir las predicciones a componentes y posiciones individuales, lo que permite generar explicaciones contrastivas del comportamiento lingüístico. Estas explicaciones aclaran cómo los modelos de lenguaje representan y resuelven distintos fenómenos lingüísticos.La tesis también propone una metodología para seguir el flujo de información durante la inferencia, ofreciendo una visión detallada de cómo contribuyen los distintos componentes del modelo a sus predicciones. Esto permite identificar componentes especializados por dominio y comprender mejor cómo se transforman las representaciones a lo largo de las capas.Por último, el análisis de similitudes estructurales entre circuitos en diferentes lenguas revela patrones comunes en la forma en que los modelos procesan distintos idiomas. Estos resultados apuntan a la existencia de mecanismos universales en los modelos del lenguaje.En conjunto, esta tesis supone un avance en la interpretabilidad de los modelos Transformer, al proporcionar herramientas y marcos para analizar, atribuir y comprender el comportamiento de sistemas complejos de procesamiento del lenguaje natural.
  

• PÉREZ GUIJARRO, JORDI: On Quantum Supervised Learning and Learning Techniques for Quantum Error Mitigation
  
  Autor/a: PÉREZ GUIJARRO, JORDI
  Tesis completa: (contacta con la Escuela de Doctorado para confirmar que eres un doctor acreditado y obtener el enlace a la tesis)
  Programa: TEORÍA DE LA SEÑAL Y COMUNICACIONES
  Departamento: Departamento de Teoría de la Señal y Comunicaciones (TSC)
  Modalidad: Normal
  Fecha de depósito: 22/12/2025
  Fecha de lectura: 13/02/2026
  Hora de lectura: 11:00
  Lugar de lectura: Aula D5-007, Edifici D5, Campus Nord UPC, Barcelona
  Director/a de tesis: RODRIGUEZ FONOLLOSA, JAVIER | PAGES ZAMORA, ALBA MARIA
  Resumen de tesis: El desarrollo de las computadoras cuánticas promete reducir drásticamente el tiempo necesario para resolver ciertos problemas computacionales. Entre sus aplicaciones más prometedoras se encuentra el aprendizaje automático. Sin embargo, todavía persiste una gran incertidumbre en este ámbito. En particular, aún no está claro en qué escenarios de aprendizaje los algoritmos cuánticos superarán a sus homólogos clásicos. Esta tesis tiene como objetivo profundizar nuestra comprensión de cuándo se pueden esperar aceleraciones cuánticas en las tareas de aprendizaje automático. En concreto, examinamos la conexión entre la ventaja cuántica en el aprendizaje y el fenómeno más estudiado de la ventaja cuántica computacional. Concluimos que, en los casos en que el conjunto de entrenamiento puede generarse clásicamente, ambos son conceptos equivalentes, y proporcionamos ejemplos de dichas funciones basados ​​en el problema de factorización.Es importante destacar que el aprendizaje automático cuántico no solo se centra en mejorar los algoritmos de aprendizaje clásico mediante computación cuántica, sino también en aprender de datos cuánticos. En este contexto, investigamos un escenario de aprendizaje en el que las entradas a las funciones objetivo son estados cuánticos, generalizando así el marco clásico de aprendizaje supervisado. Para ello, nos centramos primero en el problema de quantum hypothesis testing, que puede servir como subrutina tanto para la evaluación como para el aprendizaje de funciones. En concreto, diseñamos varios métodos secuenciales para resolver el problema de quantum hypothesis testing, junto con una cota inferior para los recursos necesarios. Esta cota inferior implica inmediatamente cotas inferiores correspondientes para el aprendizaje y la evaluación de funciones. Además, desarrollamos un método de aprendizaje basado en la técnica de classical shadows.Finalmente, tras explorar cómo los procesos cuánticos pueden facilitar el aprendizaje, examinamos cómo las técnicas clásicas de aprendizaje pueden, a su vez, mejorar la computación cuántica. En particular, estudiamos cómo se pueden utilizar los métodos clásicos de aprendizaje automático para mitigar los efectos del ruido en dispositivos cuánticos, centrándonos en la mitigación de errores cuánticos. En concreto, se proponen nuevos vectores de atributos para la técnica conocida como regresión de datos de Clifford. En primer lugar, se proporciona una justificación teórica de estos vectores de atributos, seguida de un análisis y una posterior evaluación de su rendimiento mediante experimentos numéricos. Se concluye que, para algunos de los vectores de atributos propuestos, se logra una mejora del rendimiento.
  

Fecha de lectura: 18/02/2026

• BORJA ROBALINO, RICARDO STALIN: Optimización bayesiana en técnicas machine Learning clásicas: redes neuronales y XGBoost y su aplicación como modelos predictores de diabetes en pacientes ecuatorianos
  
  Autor/a: BORJA ROBALINO, RICARDO STALIN
  Tesis completa: (contacta con la Escuela de Doctorado para confirmar que eres un doctor acreditado y obtener el enlace a la tesis)
  Programa: ESTADÍSTICA E INVESTIGACIÓN OPERATIVA
  Departamento: Departamento de Estadística e Investigación Operativa (EIO)
  Modalidad: Normal
  Fecha de depósito: 22/01/2026
  Fecha de lectura: pendiente
  Hora de lectura: pendiente
  Lugar de lectura: pendiente
  Director/a de tesis: MONLEON GETINO, ANTONIO | GIBERT OLIVERAS, CARINA
  Resumen de tesis: El machine learning (ML) es una rama de la inteligencia artificial que permite imitar las capacidades humanas, a través de diversos algoritmos y técnicas que aprenden de los datos mediante procesos de aprendizaje (supervisado, no supervisado o por refuerzo) para la toma de decisiones con una mínima intervención humana. Los modelos clásicos de ML han generado grandes resultados en la automatización de procesos de clasificación y regresión en diversas áreas. Dentro de la clasificación, las redes neuronales artificiales (ANN) han ganado relevancia por su capacidad de aprender y modelar relaciones no lineales complejas. De igual manera, el modelo XGBoost basado en árboles de decisión ha demostrado gran eficiencia, velocidad, escalabilidad y rendimiento, imponiéndose en diversas competiciones. Por otro lado, la inferencia bayesiana ha proporcionado un marco probabilístico y revolucionario en las optimizaciones de los modelos de machine learning, con la implementación de la incertidumbre en el proceso de estimación, combinando la evidencia con las creencias previas, con la finalidad de reducir sobreajustes y mejorar las predicciones ajustando parámetros e hiperparámetros. Esta investigación tiene como objetivo optimizar dos técnicas clásicas de machine learning (redes neuronales artificiales y XGBoost), para el caso de clasificación mediante inferencia bayesiana y construir un modelo de prevención de diabetes para la población ecuatoriana. El estudio parte de una conceptualización teórica y matemática de cada algoritmo, seguida de un análisis de los diversos puntos de intervención, programación e implementación de los modelos bayesianos con técnicas de estimación de cadenas de Markov Monte Carlo (MCMC) e inferencia variacional (IV), validación mediante bases de datos públicas, implementación de un sistema cliente-servidor con múltiples backends especializados y, finalmente, el desarrollo de una aplicación real como predictores de diabetes tipo 1, tipo 2 y gestacional.Como resultado, en redes neuronales artificiales (ANN) se implementó un modelo bayesiano en dos puntos de inferencia. El primero ajustó los parámetros en cada paso de retropropagación; sin embargo, se presentó como una opción con una sobrecarga computacional prohibitiva. Como segunda intervención se realizó un ajuste sobre la función de activación en la capa final, obteniendo resultados positivos y viables computacionalmente. Para el caso de XGBoost se ajustaron las predicciones en cada paso boosting antes de la vectorización, evidenciando una alta capacidad predictiva tanto en el uso de la técnica de MCMC como en IV. La validación con la base Pima Indians Diabetes y el uso de diversas funciones de distribución demostraron la robustez y sensibilidad de los modelos implementados, en tanto que la generalización y consistencia se comprobó a través de la aplicación en diversas bases de datos. En todos los casos, se obtuvieron resultados superiores o iguales al uso del modelo tradicional, dependiendo de las características de los datos. Adicionalmente, se implementó una aplicación web (cliente-servidor) con las propuestas bayesianas, que permiten al usuario interactuar con los modelos de forma fácil e intuitiva, con opciones de carga de datos, configuración de parámetros y distribuciones de probabilidad, técnicas de estimación (MCMC o IV), proceso de entrenamiento-validación o uso de cross validación, resultados en tiempo real y opciones de descarga del modelo. La aplicación de la propuesta bayesiana a un caso real como es el caso de la predicción de la diabetes tipo 1, tipo 2 y gestacional, con datos de pacientes ecuatorianos, presentó resultados alentadores (accuracy=99.47%), convirtiéndose en el primer modelo predictor de los tres tipos de diabetes a nivel regional y nacional, confirmando que el uso de este enfoque es una excelente alternativa para la optimización de modelos de machine learning.
  

• CASTRO CARRASCO, REBECA IGNACIA: Characterization of sulfate-reducing biofilms using an amperometric printed H₂S sensor
  
  Autor/a: CASTRO CARRASCO, REBECA IGNACIA
  Tesis completa: (contacta con la Escuela de Doctorado para confirmar que eres un doctor acreditado y obtener el enlace a la tesis)
  Programa: RECURSOS NATURALES Y MEDIO AMBIENTE
  Departamento: Departamento de Ingeniería Minera, Industrial y TIC (EMIT)
  Modalidad: Normal
  Fecha de depósito: 22/01/2026
  Fecha de lectura: pendiente
  Hora de lectura: pendiente
  Lugar de lectura: pendiente
  Director/a de tesis: GABRIEL BUGUÑA, GEMMA | GUIMERÀ VILLALBA, XAVIER
  Resumen de tesis: La comprensión completa de los procesos sulfidogénicos en biorreactores sigue estando limitada debido a la escasa disponibilidad de herramientas para evaluar la actividad sulfato reductora de la biomasa inmovilizada. Para abordar esta limitación, el presente trabajo se basa en el desarrollo de alternativas adecuadas para la caracterización de biomasa sulfato reductora mediante microsensores electroquímicos. Para ello, se desarrolló un biorreactor de celda de flujo para la monitorización en tiempo real empleando biomasa artificialmente inmovilizada, en sustitución de la inmovilización natural derivada de exopolisacáridos. Las evaluaciones físicas y biológicas permitieron identificar una matriz polimérica capaz de preservar la actividad sulfato reductora, garantizando al mismo tiempo una adecuada retención microbiana e integridad estructural; además, se evaluó un conjunto de condiciones operativas para generar perfiles detallados de producción de H₂S en el biorreactor de celda de flujo. Paralelamente, se fabricó un microsensor de H₂S impreso, mediante tecnología inkjet printing, utilizando como sustrato tereftalato de polietileno, imprimiendo en tintas de plata y oro, y realizando una modificación con nanotubos de carbono, reforzados con alcohol polivinílico y cloruro de polidialildimetilamonio; que promueve la dispersión de la tinta, la adhesión y la estabilidad mecánica. La formulación optimizada proporcionó estabilidad operativa a largo plazo, respuestas lineales en distintos medios y un rendimiento comparable al de microsensores comerciales, a pesar de una disminución inicial de la sensibilidad. Además, el estudio evaluó el comportamiento operativo de gránulos artificiales sulfato reductores en reactores de columna y de tanque agitado tratados, demostrando altas eficiencias de eliminación de sulfato a cargas moderadas, una estabilidad superior en configuraciones de columna, acumulación de ácidos grasos volátiles asociada a la oxidación incompleta del glicerol y la eficacia de una estrategia de biomaumentación, basada en bacterias sulfato reductoras acetato-oxidantes inmovilizadas en gránulos artificiales. Por último, la plataforma integrada se validó para el análisis de la producción de H₂S en biopelículas reductoras de sulfato inmovilizadas, combinando el biorreactor de celda de flujo con microsensores impresos mediante para la monitorización simultánea e in situ de H₂S y pH. La adquisición de datos reveló marcados gradientes de H₂S impulsados por limitaciones de transferencia de materia y dispersión hidrodinámica, mientras que los electrodos impresos mostraron respuestas amperométricas lineales y un rendimiento estable durante operaciones prolongadas, confirmando así la idoneidad de la plataforma propuesta para la caracterización de alta resolución y en tiempo real de biopelículas sulfidogénicas.
  

• MUÑOZ GALAN, HELENA: Sensor design and development for autonomous devices for disease diagnosis and therapy
  
  Autor/a: MUÑOZ GALAN, HELENA
  Tesis completa: (contacta con la Escuela de Doctorado para confirmar que eres un doctor acreditado y obtener el enlace a la tesis)
  Programa: POLÍMEROS Y BIOPOLÍMEROS
  Departamento: Departamento de Ingeniería Química (EQ)
  Modalidad: Normal
  Fecha de depósito: 22/01/2026
  Fecha de lectura: pendiente
  Hora de lectura: pendiente
  Lugar de lectura: pendiente
  Director/a de tesis: ALEMAN LLANSO, CARLOS ENRIQUE | PÉREZ MADRIGAL, MARIA DEL MAR
  Resumen de tesis: Esta tesis doctoral aborda los principales desafíos en el manejo de la diabetes mediante la integración de materiales sostenibles, sistemas de monitorización no invasiva y tecnologías avanzadas de liberación de insulina en un enfoque unificado. La diabetes mellitus es un trastorno metabólico crónico que requiere una monitorización continua de glucosa y una administración precisa de insulina para mantener el control glucémico y reducir complicaciones. En respuesta a estas necesidades, la tesis se articula en tres aportes principales.En primer lugar, el trabajo mejora un dispositivo previo de monitorización no invasiva de glucosa incorporando polietileno de baja densidad (LDPE) reciclado en el diseño del sensor. El uso de LDPE reciclado aumenta la sostenibilidad, la eficiencia económica y la compatibilidad ambiental sin afectar el rendimiento. Esto demuestra la viabilidad de reutilizar residuos plásticos en aplicaciones biomédicas.En segundo lugar, la investigación explora nuevas estrategias para la liberación controlada de insulina mediante hidrogeles sensibles a estímulos. Se desarrollaron hidrogeles basados en ácido poli(γ-glutámico) y polietilenglicol (PEG) multibrazo para lograr una liberación sostenida y modulable. La incorporación del polímero conductor PEDOT permite una liberación de insulina eléctrica y bajo demanda, ofreciendo una alternativa mínimamente invasiva a los métodos convencionales.Finalmente, se estudiaron las propiedades nanomecánicas de los hidrogeles de PEG multibrazo utilizando un sensor optomecánico basado en microcantilever. Este análisis proporciona información clave sobre su comportamiento estructural, estabilidad y rendimiento a largo plazo.En conjunto, estas contribuciones conforman una estrategia integral para mejorar el tratamiento de la diabetes mediante soluciones biomédicas sostenibles y plataformas de administración inteligente.