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.
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 VegaDirectora Académica del DAIS — Data, Artificial Intelligence & Simulation Institute.
Dr. Kevin O’ConnorDirector Académico del EET — Electronics & Embedded Technologies Institute.
Prof. Kenji TakahashiDirector Académico del SRA — Robotics & Autonomous Systems Institute.
1Rellenas la solicitud de admisiónTitulación o experiencia y firma, en una sola página.
2El sistema verifica la documentación al instanteEl sistema comprueba los datos y la firma al momento.
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.
¿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.
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.
Inicio de clases: 22 de diciembre de 20261.432 €Matricularme
Antes de decidir
¿Qué sacarías tú de este diplomado?
No es lo mismo llegar aquí recién titulado que con diez años en el sector. Dinos de dónde vienes.
Qué te aportaPasar de la teoría de carrera al criterio de proyecto: qué norma aplica a cada parte del trabajo, qué criterios de aceptación se fijan antes de ejecutar y cómo se deja todo documentado.
Dónde vas a sudarEl módulo de normativa y evidencia documental, si todavía no has trabajado dentro de un proyecto real con auditoría de por medio.
Con qué salesCon una memoria técnica propia, sobre un caso real, que puedes poner encima de la mesa en una entrevista.
Qué te aportaFormalizar lo que ya haces por oficio: distinguir requisito obligatorio de buena práctica, justificar por escrito las decisiones técnicas y dejar el trabajo trazable.
Dónde vas a sudarPoco en contenido. El esfuerzo real está en el proyecto final y en su defensa.
Con qué salesCon el diplomado acreditado y un proyecto hecho sobre un caso de tu propio trabajo.
Qué te aportaLa base técnica de Data, IA, Simulación & Analytics y el marco normativo del ámbito desde cero, sin dar por sabido el vocabulario del sector.
Dónde vas a sudarLas primeras semanas, por terminología. A partir del segundo módulo se nivela.
Con qué salesCon un perfil de entrada acreditado en Data, IA, Simulación & Analytics y un proyecto que demuestra que sabes aplicarlo.
¿Te va a dar la vida?
Calcula tu ritmo real
Son 800 horas. Mueve el control y mira cuánto tardarías tú de verdad.
—para terminar
¿Y esto para qué me sirve?
Marca lo que más te interesa
Elige hasta 3 módulos y te digo cuánto pesan en el programa y a qué perfiles prepara.
Perfiles a los que prepara
Ingeniero de machine learning científico
Ingeniero de HPC
Ingeniero de simulación CAE
En aeroespacial, automoción y energía.
Con sinceridad
¿Es para ti?
Sí, si quieres…
Trabajar en Data, IA, Simulación & Analytics con criterio de norma, no solo de intuición.
Saber justificar por escrito por qué tomaste una decisión técnica.
Terminar con una memoria técnica tuya, sobre un caso real.
Avanzar a tu ritmo, compatible con una jornada completa.
No, si buscas…
Un título rápido sin entregar trabajo propio.
Clases en directo con horario fijo: el programa es asíncrono.
Empezar mañana: las clases empiezan justo un mes después de matricularte.
Formación de taller o práctica presencial con maquinaria.
¿Te queda una duda?
Pregunta algo concreto
Escríbela aquí y la pasamos al formulario de contacto con la formación ya identificada.