Admisión abierta 2026-2027Rellenar solicitud

Diplomado en Pipelines Mixtos Simulación-IA de Alto Rendimiento

Diplomado online de 800 h: 8 módulos y 80 submódulos, de «Integración de simulación e IA» a «Proyecto de pipeline simulación-IA», pasando por «Orquestación y MLOps científico».

Mapa del programa · pulsa un módulo
Módulo 1 · Integración de simulación e IA
800 hDuración total
8Módulos
80Submódulos
OnlineModalidad

Competencias y resultados

6 bloques de competencia, sacados de los módulos de este programa. Pulsa cualquiera y ves qué vas a saber hacer.

Integración de simulación e IA

Saldrás manejando paradigmas de surrogates, PINNs y operadores, simulación como generador de datos y IA en el bucle de la simulación. Es lo que se trabaja en «Integración de simulación e IA», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.

Generación masiva de datos

Saldrás manejando diseño de experimentos para entrenamiento, barridos paramétricos en HPC y automatización de mallado y preproceso. Es lo que se trabaja en «Generación masiva de datos», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.

Modelos sustitutos de alto rendimiento

Saldrás manejando redes convolucionales sobre campos, redes de grafos para mallas y operadores neuronales FNO y DeepONet. Es lo que se trabaja en «Modelos sustitutos de alto rendimiento», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.

Orquestación y MLOps científico

Saldrás manejando workflows con Ray y Dask, kubeflow y pipelines en Kubernetes y seguimiento de experimentos con MLflow. Es lo que se trabaja en «Orquestación y MLOps científico», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.

Optimización y diseño acelerado

Saldrás manejando optimización bayesiana con sustitutos, aprendizaje activo para elegir simulaciones y optimización multiobjetivo con sustitutos. Es lo que se trabaja en «Optimización y diseño acelerado», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.

Rendimiento, coste y calidad

Saldrás manejando perfilado de pipelines de extremo a extremo, equilibrio entre generación y entrenamiento y consumo y eficiencia energética. Es lo que se trabaja en «Rendimiento, coste y calidad», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.

Objetivos de aprendizaje

  • 01Diseñar arquitecturas que integren simulación numérica e inteligencia artificial.
  • 02Automatizar la generación masiva de datos de simulación.
  • 03Entrenar modelos sustitutos y operadores neuronales a gran escala.
  • 04Acoplar en línea modelos de IA con solvers en ejecución.
  • 05Orquestar pipelines con herramientas de MLOps científico.
  • 06Acelerar procesos de optimización con sustitutos y aprendizaje activo.
  • 07Evaluar el rendimiento, el coste y la calidad de los pipelines.

Plan de estudios

8 módulos, 80 submódulos, 800 h. Elige un módulo y ves su contenido completo.

1 de 8 módulos abiertos
Módulo 1 de 8 · 10 submódulos

Integración de simulación e IA

1.1Paradigmas de surrogates, PINNs y operadores
1.2Simulación como generador de datos
1.3IA en el bucle de la simulación
1.4Requisitos de rendimiento de pipelines mixtos
1.5Formatos de datos científicos HDF5 y netCDF
1.6Tamaño de datos y almacenamiento
1.7Ejemplos en CFD, estructuras y clima
1.8Retos de reproducibilidad
1.9Arquitectura de referencia
1.10Taller: diseño de un pipeline simulación-entrenamiento
Módulo 2 de 8 · 10 submódulos

Generación masiva de datos

2.1Diseño de experimentos para entrenamiento
2.2Barridos paramétricos en HPC
2.3Automatización de mallado y preproceso
2.4Ejecución de solvers por lotes
2.5Extracción y postproceso de campos
2.6Compresión de datos con pérdida controlada
2.7Etiquetado y metadatos
2.8Control de calidad de simulaciones
2.9Coste por muestra generada
2.10Laboratorio: generación de un dataset CFD con OpenFOAM
Módulo 3 de 8 · 10 submódulos

Modelos sustitutos de alto rendimiento

3.1Redes convolucionales sobre campos
3.2Redes de grafos para mallas
3.3Operadores neuronales FNO y DeepONet
3.4Physics-informed neural networks
3.5Modelos reducidos con autoencoders
3.6Entrenamiento distribuido con PyTorch DDP
3.7Precisión mixta y Tensor Cores
3.8Evaluación de error frente al solver
3.9Incertidumbre del sustituto
3.10Laboratorio: operador neuronal de Fourier con NVIDIA PhysicsNeMo
Módulo 4 de 8 · 10 submódulos

Acoplamiento en línea

4.1Entrenamiento en línea con simulación en ejecución
4.2Bibliotecas SmartSim y SmartRedis
4.3Transferencia en memoria entre procesos
4.4Inferencia dentro del solver
4.5Interoperabilidad C++, Fortran y Python
4.6Exportación de modelos a ONNX y TorchScript
4.7Latencia y throughput del acoplamiento
4.8Simulaciones aceleradas con correcciones de IA
4.9Gestión de GPU compartidas
4.10Práctica: inferencia de un modelo dentro de un solver
Módulo 5 de 8 · 10 submódulos

Orquestación y MLOps científico

5.1Workflows con Ray y Dask
5.2Kubeflow y pipelines en Kubernetes
5.3Seguimiento de experimentos con MLflow
5.4Versionado de datos y modelos
5.5Gestión de artefactos grandes
5.6Planificación conjunta en HPC y cloud
5.7Cachés y reutilización de resultados
5.8Tolerancia a fallos
5.9Observabilidad del pipeline
5.10Laboratorio: pipeline de entrenamiento con Ray
Módulo 6 de 8 · 10 submódulos

Optimización y diseño acelerado

6.1Optimización bayesiana con sustitutos
6.2Aprendizaje activo para elegir simulaciones
6.3Optimización multiobjetivo con sustitutos
6.4Diseño inverso con modelos diferenciables
6.5Simulación multifidelidad y corrección de sesgo
6.6Cuantificación de incertidumbre acelerada
6.7Exploración del espacio de diseño
6.8Criterios de parada y presupuesto
6.9Verificación del diseño final con el solver
6.10Caso práctico: optimización aerodinámica asistida por sustituto
Módulo 7 de 8 · 10 submódulos

Rendimiento, coste y calidad

7.1Perfilado de pipelines de extremo a extremo
7.2Equilibrio entre generación y entrenamiento
7.3Consumo y eficiencia energética
7.4Coste por modelo entrenado
7.5Pruebas de regresión de precisión
7.6Gobierno de datos científicos
7.7Seguridad de datos y modelos
7.8Documentación y reproducibilidad
7.9Escalado a producción industrial
7.10Caso práctico: auditoría de rendimiento de un pipeline existente
Módulo 8 de 8 · 10 submódulos

Proyecto de pipeline simulación-IA

8.1Definición del problema físico
8.2Plan de generación de datos
8.3Pipeline de simulación automatizado
8.4Entrenamiento del modelo sustituto
8.5Acoplamiento en línea o por lotes
8.6Orquestación y seguimiento
8.7Evaluación de precisión y rendimiento
8.8Análisis de coste y escalabilidad
8.9Memoria y presentación
8.10Revisión final con el tutor

¿Cuánto me va a llevar?

Mueve las horas que puedes dedicar cada semana y calculamos tu ritmo sobre las 800 h del programa.

—meses a ese ritmo
—semanas por módulo
—frente a los 800 horas · 6 a 8 meses previstos

¿Qué nivel tienes ya?

Cinco conceptos del propio temario. Marca lo que ya controlas y te decimos si te conviene el curso, el diplomado o el máster.

IA en el bucle de la simulación
Módulo 1 · Integración de simulación e IA
Laboratorio: generación de un dataset CFD con OpenFOAM
Módulo 2 · Generación masiva de datos
Precisión mixta y Tensor Cores
Módulo 3 · Modelos sustitutos de alto rendimiento
Inferencia dentro del solver
Módulo 4 · Acoplamiento en línea
Workflows con Ray y Dask
Módulo 5 · Orquestación y MLOps científico

Marca los cinco conceptos y te damos tu resultado.

Normas y estándares que vas a manejar

FMI 3.0 (Functional Mock-up Interface)ISO/IEC 23053:2022ISO/IEC 5338:2023MPI 4.0ONNX (Open Neural Network Exchange)ISO/IEC 25012:2008OCI Image Format Specification

Cuerpo docente y expertos

Este programa se imparte en el área de Data, IA, Simulación & Analytics, que dirige Dra. Lucía Hernández Vega. Debajo, los directores académicos más cercanos a este programa. El detalle de cada instituto está en la página de institutos.

Dra. Lucía Hernández Vega Dra. Lucía Hernández VegaDirectora Académica del DAIS — Data, Artificial Intelligence & Simulation Institute.
Dr. Kevin O’Connor Dr. Kevin O’ConnorDirector Académico del EET — Electronics & Embedded Technologies Institute.
Prof. Kenji Takahashi Prof. Kenji TakahashiDirector Académico del SRA — Robotics & Autonomous Systems Institute.

El claustro completo y los once institutos, con sus líneas de trabajo, están en institutos SEIUM y en liderazgo y consejo asesor.

Dónde se trabaja con esto

Perfiles a los que da acceso el programa.

Ingeniero de machine learning científico
Ingeniero de HPC
Ingeniero de simulación CAE
Ingeniero de MLOps
Investigador en IA para ciencia
Arquitecto de plataformas de datos científicos

Para quién es

Ingeniero de machine learning científico
Ingeniero de HPC
Ingeniero de simulación CAE
Ingeniero de MLOps
Investigador en IA para ciencia
Arquitecto de plataformas de datos científicos
Titulados en ingeniería o ciencias que busquen entrar en aeroespacial

Otras formaciones del área

Del mismo área y nivel, para completar tu itinerario.

En el blog técnico: Cómo estructurar un pipeline de datos para series temporales de sensores · Gemelos Digitales y Simulación: El Futuro de la Industria 4.0 · Simulación de Vuelta Rápida: Cómo la Usan los Equipos y qué Debes Aprender.

Áreas cercanas: todas las de Data, IA, Simulación & Analytics · Aeroespacial, UAM, Drones & Espacio · Automoción & Motorsport · Autónomos, ADAS & Vehículo Definido por Software · Civil, Rail & Smart Cities · Defensa, Ingeniería Militar & Sistemas Terrestres (enfoque académico, legal y ético) · Diseño, HMI & Producto · Electromovilidad, Baterías & Hidrógeno (Movilidad) · todas las facultades.

Opiniones de alumnos

Opiniones verificadas de alumnos de SEIUM, recogidas en Opynio.

Ver reseñas completas

De la solicitud al aula, sin esperas

  1. 1Rellenas la solicitud de admisiónTitulación o experiencia y firma, en una sola página.
  2. 2El sistema verifica la documentación al instanteEl sistema comprueba los datos y la firma al momento.
  3. 3Eliges modalidad de pago y reservas tu plazaPago único con descuento o entrada más cuotas mensuales. La matrícula de esta semana cierra el 27-11-2026.

El proceso completo, con documentación, plazos, convalidaciones y becas, está en admisión, cómo aplicar y becas y ayudas.

Comprueba tu acceso en tres respuestas

¿Tienes titulación universitaria en ingeniería, ciencias o arquitectura, o experiencia profesional equivalente?
¿Trabajas o quieres trabajar en Data, IA, Simulación & Analytics?
¿Puedes mantener un ritmo de estudio constante durante 800 horas · 6 a 8 meses?

Responde las tres y te decimos por dónde seguir.

Requisitos de acceso

  • ·Formación técnica previa o experiencia profesional en el sector. No se exige titulación universitaria.
  • ·Conexión a internet y un ordenador capaz de ejecutar el software del programa.
  • ·Nivel de español suficiente para seguir lectura de normativa técnica.

Cómo se estudia

Formación 100 % online en el campus de SEIUM, con material descargable, clases grabadas y tutor técnico asignado. Sin horarios fijos: el alumno avanza a su ritmo dentro de la convocatoria, lo que permite compatibilizarlo con el trabajo.

Cada módulo combina teoría, lectura guiada de la norma original y ejercicios aplicados. El software de trabajo es NVIDIA PhysicsNeMo, PyTorch, Ray, SmartSim, OpenFOAM, en versiones gratuitas, académicas o de evaluación. Los ensayos se estudian sobre procedimientos reales de generación de datasets de simulación en clúster, entrenamiento de modelos sustitutos sobre campos físicos, optimización de diseño con aprendizaje activo. La evaluación es continua por módulo más el proyecto integrador final.

Las modalidades, el calendario y las tasas son comunes a todos los programas: modalidades, calendario académico y tasas y financiación.

Preguntas frecuentes

Son 8 módulos con 80 submódulos y 800 h de trabajo total. Abre por «Integración de simulación e IA» y cierra con «Proyecto de pipeline simulación-IA».

Se trabajan FMI 3.0 (Functional Mock-up Interface), ISO/IEC 23053:2022, ISO/IEC 5338:2023, MPI 4.0, ONNX (Open Neural Network Exchange) y ISO/IEC 25012:2008.

Los perfiles más directos son Ingeniero de machine learning científico, Ingeniero de HPC, Ingeniero de simulación CAE, Ingeniero de MLOps y Investigador en IA para ciencia.

En un pago son 1.432 €, sobre una tarifa de 1.790 €. A plazos, una entrada de 716 € y 6 cuotas de 179 €, 1.790 € en total, sin intereses: lo mismo que la tarifa.

Formación técnica previa o experiencia profesional en el sector. No se exige titulación universitaria, Conexión a internet y un ordenador capaz de ejecutar el software del programa y Nivel de español suficiente para seguir lectura de normativa técnica.

El programa son 800 horas totales repartidas en 6 a 8 meses. Eso son entre 10 y 15 horas semanales de media, compatibles con jornada laboral completa.

Se trabaja con NVIDIA PhysicsNeMo, PyTorch, Ray, SmartSim, OpenFOAM. Se usan versiones gratuitas, académicas o de evaluación, y el tutor indica la alternativa libre cuando existe.

Diploma propio de SEIUM al superar la evaluación continua y el proyecto integrador. Es formación propia, no un título oficial del Ministerio.

Sí. Los módulos superados en un curso o diplomado del mismo área convalidan en el programa superior. Consulta la política de convalidaciones al matricularte.

Las dudas comunes a todos los programas (titulación, convalidaciones, visado, idiomas) están resueltas en preguntas frecuentes, equivalencias y convalidaciones e idiomas.

Inicio de clases: 22 de diciembre de 20261.432 € Matricularme
Contactar con Seium
Pago al contado1.432 €ahorras 358 €
Reservar plaza
Seium - Universidad de ingeniería avanzada
Resumen de privacidad

Esta web utiliza cookies para que podamos ofrecerte la mejor experiencia de usuario posible. La información de las cookies se almacena en tu navegador y realiza funciones tales como reconocerte cuando vuelves a nuestra web o ayudar a nuestro equipo a comprender qué secciones de la web encuentras más interesantes y útiles.