Rankings de Conferencias:

• NeurIPS (#1) – La conferencia de IA/ML más grande del mundo (h5-index: 337)
• AAAI (#4) – Conferencia destacada de inteligencia artificial (h5-index: 220)

1. Agentic Causal Graph Learning for Drug Target Discovery

Presentación: Oral

Resumen: Presenta un sistema de IA autodirigido que aprende de manera autónoma relaciones causales en redes de interacción proteína-proteína a la escala de la base de datos STRING (100,000+ interacciones). El sistema utiliza aprendizaje agéntico para identificar objetivos terapéuticos descubriendo mecanismos causales en lugar de meras correlaciones en redes biológicas.

Logro Clave: Primer sistema autónomo capaz de aprendizaje de grafos causales a escala STRING para identificación de objetivos terapéuticos.

2. The Algorithmic Alchemist: Advanced Generative AI Methodologies for De Novo Drug Design

Presentación: Poster

Resumen: Introduce métodos avanzados de IA generativa para diseñar moléculas farmacéuticas nuevas desde cero (de novo). El sistema actúa como un «alquimista algorítmico,» combinando múltiples modelos generativos para crear candidatos farmacéuticos con propiedades deseadas que no existen en librerías químicas actuales.

Innovación: Integración de múltiples paradigmas generativos para una flexibilidad de diseño molecular sin precedentes.

3. The Acceleration of Molecular Discovery through Advanced Active Learning and Bayesian Optimization

Presentación: Poster

Resumen: Desarrolla estrategias de aprendizaje activo combinadas con optimización bayesiana para acelerar con fuerza el proceso de descubrimiento molecular. El sistema selecciona inteligentemente qué moléculas sintetizar y probar, minimizando costos experimentales mientras maximiza la ganancia de información.

Logro Clave: Reduce las iteraciones experimentales requeridas para optimización molecular seleccionando estratégicamente los candidatos más informativos.

4. Neural Cellular Automata and the PD-NCA AutoLab: A Differentiable Artificial Life Testbed for Autonomous Research Agents

Presentación: Poster

Resumen: Presenta un banco de pruebas de vida artificial diferenciable que permite a agentes de investigación autónomos generar hipótesis, ejecutar experimentos ab initio y evaluar fenómenos emergentes. Introduce el PD-NCA AutoLab, un entorno programable de autómatas celulares diferenciables que expone su física para diseño dirigido por agentes.

Contribuciones: Entorno PD-NCA AutoLab programable con implementación de referencia en Python; flujo de trabajo de investigación multi-agente con ciclo operativo Hipótesis → Ejecutar → Analizar → Reflexionar; estudios de viabilidad demostrando gradientes BPTT estables y escasez de descubrimiento motivando búsqueda inteligente.

Innovación Clave: Crea un «laboratorio virtual» donde agentes de IA pueden diseñar y ejecutar sus propios experimentos científicos en un sandbox de física diferenciable, permitiendo verdadero descubrimiento científico autónomo.

5. The Trajectory of Graph of Thoughts: Advancing AI for Science through Structured, Verifiable, and Causal Reasoning

Presentación: Poster

Resumen: Explora cómo el paradigma Graph of Thoughts (GoT) proporciona arquitectura fundamental para agentes de descubrimiento científico autónomos. Analiza innovaciones incluyendo grafos de conocimiento dinámicos (KGoT), estructuras de inferencia adaptativas (AGoT) y grafos de colaboración multi-agente.

Argumento Clave: El razonamiento lineal (Chain-of-Thought) y el razonamiento basado en árboles (Tree-of-Thoughts) son inadecuados para la investigación científica. El razonamiento estructurado en grafos permite: agregación/síntesis de múltiples fuentes de información, refinamiento/iteración basado en retroalimentación, generación/divergencia explorando múltiples hipótesis simultáneamente.

Extensiones Especializadas: HI-GoT para validación de hipótesis verificable; C-GoT para modelar mecanismos causales dinámicos; KGoT integrando conocimiento estructurado; AGoT con estructuras de inferencia dinámicas.

8. Neuro-Symbolic AI for Alzheimer’s Disease: Physics-Informed Biomarker Prediction and Verifiable Intervention Planning

Presentación: Oral y Poster

Resumen: Combina redes neuronales con razonamiento simbólico y restricciones informadas por física para modelado de progresión de enfermedad de Alzheimer. Proporciona planificación de intervenciones verificable basando predicciones en modelos biofísicos de mecanismos de enfermedad.

Innovación: Primer sistema que combina aprendizaje basado en datos con modelos de enfermedad basados en física para soporte de decisiones clínicas verificable.

9. Glass-Box Arbitrators: An Explainable Neuro-Symbolic AI Framework for International Commercial Arbitration Proceedings

Presentación: Poster

Resumen: Desarrolla arquitectura neuro-simbólica explicable específicamente para procedimientos LCIA (London Court of International Arbitration). Trata las Reglas LCIA como sustrato lógico formal mientras usa LLMs para generación de análisis y explicación en lenguaje natural.

Capas de Arquitectura: Formalización de Reglas – Reglas LCIA codificadas en lógica formal/restricciones; Representación de Casos – LLMs extraen hechos de contratos, alegatos, evidencia; Razonamiento Simbólico – Obligaciones de prueba formal para jurisdicción, costos, admisibilidad; Generación de Explicación – LLMs traducen pruebas a lenguaje natural.

Principio Clave: LLMs manejan análisis semántico y redacción, pero solucionadores simbólicos proporcionan columna vertebral de corrección—no razonamiento neuronal end-to-end.

10. Graph of Thoughts Nanobiomaterials Assistants: Towards Logical, Tool-Augmented, and Multi-Agent Reasoning in Scientific LLMs

Presentación: Poster

Resumen: Aplica el marco de razonamiento Graph of Thoughts específicamente a investigación de nanobiomateriales. Desarrolla sistemas multi-agente donde agentes especializados LLM colaboran usando razonamiento estructurado en grafos, aumentación de herramientas y verificación lógica para descubrimiento de materiales.

Componentes Clave: Razonamiento lógico – verificación formal de propiedades de materiales; Aumentación de herramientas – integración con herramientas de simulación y análisis; Coordinación multi-agente – agentes especializados para síntesis, caracterización, aplicación.

11. SOKRATES: Distilling Symbolic Knowledge into Option-Level Reasoning via Solver-Guided Preference Optimization

Presentación: Poster

Resumen: Introduce el marco SOKRATES que destila capacidades de razonamiento simbólico en LLMs a través de optimización de preferencias guiada por solucionadores. En lugar de enseñar a LLMs a imitar solucionadores simbólicos, los entrena para preferir caminos de razonamiento que se alinean con soluciones simbólicas verificadas.

Innovación: Usa solucionadores de satisfacibilidad (SAT/SMT) para generar datos de preferencia, enseñando a LLMs a razonar a «nivel de opción»—eligiendo entre estrategias de razonamiento alternativas basadas en corrección formal.

6. Regulation-Aware Neuro-Symbolic Legal World Models for Cross-Border Commerce

Presentación: Poster

Resumen: Desarrolla sistemas de IA neuro-simbólicos que combinan modelos de lenguaje neuronales con razonamiento legal simbólico para navegar regulaciones complejas de comercio transfronterizo. El sistema mantiene «modelos de mundo» que representan diferentes jurisdicciones legales y pueden razonar sobre cumplimiento regulatorio a través de fronteras.

Desafío Clave Abordado: Razonamiento automatizado sobre requisitos legales conflictivos o inconsistentes a través de múltiples jurisdicciones en comercio internacional.

Innovación: Primer sistema neuro-simbólico para razonamiento legal multi-jurisdiccional en comercio.

7. Polyculture Agents: Detecting and Mitigating Algorithmic Echo Chambers in Financial AI Workflows

Presentación: Poster

Resumen: Aborda cámaras de eco en sistemas de trading financiero multi-agente donde agentes interactúan preferencialmente con otros similares, llevando a homogeneización de información y reducción en generación alpha.

Descubrimiento Clave: Contrario a la sabiduría convencional, cámaras de eco leves pueden ser beneficiosas para tareas especializadas. El rendimiento óptimo ocurre en niveles de diversidad intermedios (entropía de Shannon ≈2.3 bits).

Componentes del Marco ECHO: Detección Causal – usa inferencia causal para identificar cámaras de eco dañinas vs. productivas; Intervenciones Dirigidas – preserva especialización beneficiosa mientras previene aislamiento dañino; Umbral Adaptativo – ajusta dinámicamente niveles de diversidad basado en requisitos de tarea.

Resultados: 73.2% reducción de cámaras de eco; 27.4% mejora en innovación; 94.1% preservación de productividad (solo 5.9% de pérdida).

Clave: Relación invertida-U entre diversidad y rendimiento—muy poca O demasiada diversidad ambas dañan el rendimiento.

David Scott Lewis

Cofundador & CEO
Investigador IA con publicaciones en NeurIPS/AAAI
Trabajando con IA desde los 80s.

Enrique Zueco

Cofundador & CTO
Investigador IA con publicaciones en NeurIPS/AAAI
Experto en sistemas multi-agente