Guillermo Kulemeyer
Físico y doctorando en Inteligencia Computacional
Desarrollo modelos de deep learning para problemas científicos con estructura e incertidumbre. Mi investigación actual se centra en modelos predictivos y generativos para estructura de ARN.
Estudio cómo estos modelos aprenden representaciones estructurales, cómo generalizan a secuencias menos conocidas y cómo pueden representar múltiples soluciones plausibles.
Publicaciones
2026
Homology-aware cross-validation strategies for generalization assessment in RNA structure prediction
Bugnon, Kulemeyer, Gerard, Di Persia, Stegmayer y Milone · en revisión, preprint en bioRxiv
2026
The Less the Better: Improving RNA Secondary Structure Generalization with Structural-Aware Subsampling
Manuscrito en preparación
2025
Enhancing Deep Learning Prediction of Base-Pairing Probability in RNA Sequences Using Structural Diversity
Póster · I Jornada Argentina de Bioinformática y Biología Computacional
2024
Dissociative Adsorption of Methane on Pt(110)-(1×2) Using Machine Learning
Póster · X Encuentro de Física y Química de Superficies, CNEA
Preguntas que guían mi trabajo
Aprender representaciones estructurales
¿Cómo pueden los modelos neuronales capturar las relaciones entre la secuencia y la estructura secundaria del ARN?
Generar alternativas plausibles
Cuando una secuencia admite más de una estructura, ¿cómo pueden los modelos generativos representar esa diversidad?
Comprender la generalización
¿Cómo cambia el rendimiento cuando las secuencias de prueba se parecen menos a los datos utilizados durante el entrenamiento?
Docencia
Además de investigar, enseño Redes Neuronales I y II en la carrera de Ingeniería en Inteligencia Artificial. Ver mi actividad académica.