Los laboratorios de fabricación digital son espacios que cuentan con maquinaria y personal capacitado para facilitar el diseño y desarrollo de prototipos y para promover la innovación en productos, procesos y servicios. Se conciben como laboratorios que facilitan herramientas de fabricación avanzada y capacidades a la comunidad en general, pudiendo ser más enfocados a emprendedores, empresas e institutos de investigación. Una característica común es que sirven como plataforma para estimular el aprendizaje y la invención en la comunidad. Las máquinas y capacidades técnicas instaladas en estos laboratorios brindan la oportunidad de encontrar soluciones innovadoras a problemas comunes y ser incubadores de microemprendimientos que resuelvan problemas de forma innovadora y sustentable.

El primer laboratorio de fabricación digital, junto con el concepto FabLab, aparece en el MIT (Massachussets Institute of Technology, Estados Unidos) en el año 2000. Actualmente, existe una red mundial de alrededor de 3000 FabLabs distribuidos en 5 continentes. En Chile se pueden encontrar 17 de estos laboratorios, la mayoría de ellos concentrados en la Región Metropolitana; 2 en la Región del Maule y ninguno en la Región de O’Higgins. La ausencia de un laboratorio regional está en concordancia con estadísticas del año 2016 que reportan apenas 118 m2 de espacios dedicados a innovación en la Región de O’Higgins frente a 27 936 m2 en la Región Metropolitana. En ese contexto, la Región de O’Higgins es la segunda región con menor superficie dedicada a innovación.

La instalación de un laboratorio de fabricación digital en la Región de O’Higgins se identifica como una gran oportunidad para promover la innovación, brindando acceso a equipos y a capacitaciones sobre herramientas de fabricación avanzada a industrias y emprendedores regionales.

Los problemas en la teoría de parada óptima se aplican a muchas situaciones en la vida. Por ejemplo, cuando decidimos mudarnos, tenemos que determinar cuándo dejar de buscar una casa; al estacionar el auto, debemos decidir cuándo tomar un lugar disponible en lugar de seguir buscando uno mejor; cuando ocurre un terremoto, el gobierno debe decidir cuándo dejar de observar y comenzar a evacuar a la población, etc. Aunque algunas de estas decisiones deben tomarse con más frecuencia que otras y el riesgo involucrado no es el mismo en todas las situaciones, la idea detrás de todos estos problemas es similar: un tomador de decisiones observa un proceso que evoluciona en el tiempo e implica cierta aleatoriedad. Basándose solo en lo que se conoce, se debe tomar una decisión que maximice la recompensa o minimice el costo. Entonces, la pregunta principal aquí es: ¿cuándo deberíamos detenernos? Responder a esta pregunta es importante para tomar buenas decisiones. Sin embargo, no siempre es fácil debido a la información incompleta sobre el futuro. Esto llevó al surgimiento de un subcampo de la teoría de probabilidad, la teoría de parada óptima, que tiene como objetivo mejorar las probabilidades de tomar una buena decisión. El objetivo de este proyecto es estudiar diferentes problemas en este campo, modelándolos y obteniendo resultados teóricos así como también estudiar el impacto de los resultados en la práctica.

La crisis hídrica provocada por el calentamiento global es uno de los problemas más importantes que afectan a regiones agrícolas como la sexta Región de O’Higgins. Este proyecto de vinculación internacional tiene como objetivo principal investigar distintos mecanismos para la asignación de recursos hídricos e épocas de escasez. En particular, se analizará el caso en que se tienen multiples usos de agua: distintos tipos de industrias (cupríferas y agrícola por ejemplo) y uso urbano. Este proyecto de vinculación internacional es liderado por el equipo nacional conformado por investigadores de la Universidad de O’Higgins y Universidad de Chile. Este proyecto incluye visitas del equipo nacional a los centros INRIA Sophia Antipolis, y INRAE en Montpellier, así como la organización de un workshop en la Universidad de O’Higgins.

El proyecto busca aunar competencias en visión computacional y fruticultura, para habilitar la construcción de modelos de crecimiento y madurez de cerezas a partir de modelos 3D construidos a partir de imágenes hiperespectrales. En particular se desarrollarán algoritmos de visión computacional 3D basados en representaciones neuronales implícitas para estimar el color y tamaño de frutos en cerezo durante el ciclo de crecimiento y cosecha, así como para estimar y correlacionar información hiperespectral con variables de calidad, como firmeza y grados brix de los frutos. A partir de estos algoritmos, se desarrollará una metodología para la construcción de modelos de crecimiento de los frutos que aporten a mejorar la calidad de la fruta fresca de exportación.
Es importante destacar que métodos de machine learning basados en representaciones neuronales implícitas están empezando a usarse ampliamente en distintos ámbitos de visión computacional, robótica y sensado remoto. Este tipo de representaciones está permitiendo abordar múltiples problemas en ambientes no controlados en la agricultura, de manera robusta. Por ejemplo, métodos basados en redes neuronales implícitas, tales como Neural Radiance Fields (NeRF) y Deep Signed Functions (DeepSDF) se están explorando para aplicaciones tales como reconstrucción 3D de frutas, árboles y huertos, habilitando aplicaciones de agricultura de precisión, como conteo de frutas y análisis fenológico. Para que el desarrollo de estas aplicaciones tenga un impacto en la agricultura, es necesario el desarrollo de modelos desde una mirada interdisciplinar, considerando tanto métodos del estado del arte de visión computacional y machine learning, así como un conocimiento profundo de fruticultura y en particular de fisiología de los árboles frutales caducos.
La calidad de la fruta de exportación es un pilar fundamental de nuestra fruticultura, y desde esa base, se considera importante el desarrollo de herramientas de monitoreo y diagnóstico que permitan predecir calidad y condición de la fruta oportunamente, y sobre todo bajo un escenario de cambio climático. En la temporada 2021-2022, un 20% de las cerezas presentaron serios problemas de calidad en los mercados de destino. De este volumen, un 28-47% se relacionaron con problemas de manejo en precosecha. En la agricultura convencional el uso de datos ha sido limitado a conocer procesos productivos puntuales tales como el monitoreo de variables ambientales o fisiológicas, las que han dado cuenta de un cierto estado del sistema de la planta de manera indirecta. Algunos avances en automatización en la toma de datos se han reportado para la aplicación de riego de precisión. Sin embargo, desde el mundo académico no existe un gran aprovechamiento de los avances en inteligencia artificial para la agronomía. En efecto, la predicción del comportamiento de variables productivas complejas, especialmente aquellas ligadas a la calidad de la fruta representan aún un desafío no resuelto en la industria nacional. En este sentido las técnicas de machine learning han sido utilizadas con éxito para predecir el rendimiento en diversas especies agrícolas, incluyendo frutales. No obstante, la calidad de fruta ha sido escasamente abordada, pese a existir capacidades teóricas. Debido a esto surge la necesidad del desarrollo de herramientas para construir modelos de crecimiento y madurez de cerezas, así como para que los productores puedan hacer seguimiento de su producción, y en particular de la calidad de ésta.
Con el objetivo de desarrollar una metodología para la construcción de modelos de desarrollo de cerezas mediante imágenes hiperespectral y modelos computacionales 3D de frutos, y así aportar a la mejora de la calidad de la producción de la cereza, el proyecto propone abordar tres grandes objetivos:
● Diseñar y capturar base de datos de imágenes, de variables agroclimáticas y mediciones fisiológicas.
● Desarrollar métodos de visión computacional y IA para la estimación de calibre, firmeza, color, y
grados brix de cerezas.
● Desarrollar, calibrar y validar modelos de crecimiento de cerezas a partir de los resultados obtenidos
con los algoritmos de visión computacional y IA desarrollados.
Para alcanzar estos objetivos, los investigadores convocados tienen un profundo conocimiento en las áreas complementarias desde la ingeniería (visión computacional, machine learning y robótica), y la fruticultura (fisiología de los árboles frutales caducos, sistemas de conducción, portainjertos, y gestión de huertos).

La salmonicultura es una de las principales actividades económicas de Chile por valor exportado, solo superada por el cobre y seguida por las cerezas. En 2023, la producción superó el millón de toneladas, alcanzando un valor de 6.463 millones de dólares. A pesar de su crecimiento sostenido, la industria enfrenta importantes desafíos sanitarios, entre ellos, los brotes infecciosos que generan altas pérdidas económicas debido a las mortalidades y costos relacionados con el tratamiento. En este contexto, la Tenacibaculosis ha emergido como una enfermedad de alto riesgo, causada por Tenacibaculum dicentrarchi. Desde 2020, es el segundo patógeno más letal en salmón del Atlántico (Salmo salar), la principal especie cultivada en Chile, después de Piscirickettsia salmonis causante del Síndrome rickettsial del salmón. A pesar de su relevancia, existe escasa información sobre la respuesta inmune del salmón frente a este patógeno, y actualmente no existen vacunas, por lo que se recurre al uso intensivo de antibióticos. Comprender el funcionamiento del sistema inmune frente a T. dicentrarchi es esencial para evaluar el estado sanitario de los peces y diseñar tratamientos efectivos. Un aspecto clave de esta comprensión es el impacto potencial del patógeno sobre la regulación inmune a través de la metilación del ADN genómico. Se ha demostrado que algunas bacterias pueden alterar estos patrones epigenéticos en su beneficio. Este proyecto propone caracterizar la respuesta inmune del salmón del Atlántico frente a una infección por T. dicentrarchi y analizar los cambios inducidos en la metilación del ADN. Hipotetizamos que la infección crónica de T. dicentrarchi desencadena cambios en el patrón de metilación del ADN de salmón del Atlántico favoreciendo la tolerancia a la infección. El objetivo general del presente proyecto es demostrar que la infección crónica por T. dicentrarchi causa cambios en el patrón de metilación del ADN genómico de salmón del Atlántico favoreciendo la tolerancia a la infección a través de la inmunosupresión de la respuesta inmune. Para demostrar esta hipótesis proponemos tres objetivos específicos. El primer objetivo específico es “Caracterizar la respuesta inmune de salmón del Atlántico (Salmo salar) frente a T. dicentrarchi en condiciones de laboratorio”. Para este objetivo estamos realizando actualmente un desafío en salmón del Atlántico con T. dicentrarchi donde tomaremos las muestras a analizar para estos objetivos propuestos. El análisis de la respuesta inmune se realizará en diferentes tejidos a través de RT-PCR. Luego el segundo objetivo específico es “Analizar los cambios en los patrones de metilación del ADN inducidos por una infección de T. dicentrarchi en salmón del Atlántico”. Para lograr este objetivo nosotras realizaremos una secuenciación con tecnología Nanopore disponible en la Universidad de O´Higgins, este análisis se realizará con peces controles y peces infectados. El último objetivo específico es “Correlacionar los cambios en los patrones de metilación del ADN con la respuesta inmune del salmón del Atlántico frente a T. dicentrarchi”. Los resultados esperados son: 1) La caracterización de la respuesta inmune de los peces infectados y controles a través de RT-PCR; 2) Verificación de que T. dicentrarchi desencadena una respuesta inmunitaria del tipo 2 (Th2/M2); 3) Caracterización del cambio de patrones de metilación en el ADN genómico a causa de la infección de T. dicentrarchi; 4) Vincular funcionalmente los cambios epigenéticos con los efectos inmunológicos observados, esto permitirá describir genes potencialmente silenciados que podrían estar implicados en la tolerancia a esta enfermedad y a ser susceptibles frente a otras infecciones. Los resultados obtenidos en esta investigación aportarán información sobre la salud de los animales y el proceso de desarrollo de la enfermedad que contribuirán al conocimiento del estado sanitario del salmón del Atlántico en el contexto de enfermedades bacterianas.

El proyecto pretende desarrollar una herramienta que mejore la calidad de servicio en las rutas entregadas a los distintos clientes de Simpliroute, empresa nacional que entrega servicios de ruteo y recomendaciones de logística de última milla. Este desarrollo es en dos principales ámbitos. Primero, poder mejorar la capacidad de rutear a todos los clientes requeridos, detectando y anticipando con IA las ocasiones en donde el algoritmo de ruteo actual no encuentra una solución factible. El objetivo es detectar anticipadamente estos problemas de infactibilidad y proponer alternativas para entregar una mejor solución de ruteo. Segundo, usar la información de ajuste de rutas de los vehículos (detenciones, órdenes de visita, entre otros) para “aprender” de estos cambios usando IA, y mejorar la siguiente ruta a entregar. El prototipo a desarrollar se probará con las instancias de ruteo de diferentes clientes evaluando la calidad de servicio de la ruta y el reparto que realizan en sus operaciones.

The main objective of this proposal is to study the miRNA:mRNA post-transcriptional regulatory networks in non-model plant species associated with the process of climate change stress resilience.The proposal integrates the development of computational algorithms, the use of massive data of public non-coding RNA sequences, and the use of a biological model to study post-transcriptional regulatory networks (at the genome-scale) in biological processes associated with climate resilience and adaptation of endemic plant species.

Slope-based Variational Analysis and Optimization

Slope-based Variational Analysis and Optimization