Sobre

Biografia, formação e interesses de pesquisa do Prof. Adriano Côrtes, na UFRJ.

Biografia

Sou um pesquisador interdisciplinar, com formação que atravessa Ciência da Computação, Matemática Aplicada e Engenharia. Tenho doutorado em Mecânica Computacional, com especialização em Computação de Alto Desempenho, pelo Programa de Engenharia Civil da COPPE/UFRJ, onde pesquisei no Núcleo Avançado de Computação de Alto Desempenho (NACAD). Fiz pós-doutorado na King Abdullah University of Science and Technology (KAUST), na Arábia Saudita.

Minha trajetória acadêmica começou com o bacharelado em Ciência da Computação na UFRJ (2004), seguido do mestrado em Matemática Aplicada na mesma instituição (2006). Essa base me permite transitar entre áreas diferentes e atacar problemas complexos por vários ângulos.

Hoje sou Professor Adjunto III na Universidade Federal do Rio de Janeiro (UFRJ), onde ensino e pesquiso na interseção entre Ciência Computacional e Engenharia, Inteligência Artificial e Computação de Alto Desempenho.

Meu foco de pesquisa é o Aprendizado de Máquina Informado pela Física, no qual procuro incorporar princípios e leis físicas aos modelos de IA. Participo de projetos com modelos generativos baseados em difusão e com modelos substitutivos construídos sobre redes neurais em grafos (GNNs). Também tenho interesse em aplicar métodos de IA a dados biológicos, incluindo projetos sobre câncer com dados de sequenciamento de RNA de célula única (scRNA-seq).

Formação

Período Titulação Instituição
2013–2015 Pós-doutorado King Abdullah University of Science and Technology (KAUST)
2009–2013 Doutorado em Engenharia Civil (Mecânica Computacional / HPC) COPPE/UFRJ
2008–2009 Licenciatura em Matemática UNIGRANRIO
2003–2006 Mestrado em Matemática Aplicada UFRJ
1999–2004 Bacharelado em Ciência da Computação UFRJ

Tese de doutorado

Título: Isogeometric analysis and preconditioning strategies for divergence-conforming spline discretizations for the Stokes problem

Orientador: Prof. Alvaro Luiz Gayoso de Azeredo Coutinho

Palavras-chave: Análise isogeométrica, Discretização por splines com divergência conforme, Estratégias de precondicionamento por blocos

Interesses de pesquisa

Aprendizado de Máquina Informado pela Física

Incorporação de leis físicas — princípios de conservação, simetrias, EDPs governantes — diretamente na arquitetura e no treinamento das redes neurais. Inclui Physics-Informed Neural Networks (PINNs), operadores neurais (DeepONet, FNO) e abordagens híbridas que combinam aprendizado a partir de dados com modelos mecanísticos.

Modelos generativos por difusão e modelagem substitutiva

Uso de modelos probabilísticos de difusão (DDPM) para:

  • Criar gêmeos digitais de meios porosos (tradução volumétrica 2D→3D)
  • Modelar sistemas oceanográficos para operações em águas profundas
  • Aplicar super-resolução às predições de modelos de ordem reduzida

Computação de Alto Desempenho

Algoritmos paralelos escaláveis para simulações científicas de grande porte. Co-desenvolvedor de:

  • PetIGA — arcabouço de alto desempenho para análise isogeométrica (mais de 140 citações)
  • PetIGA-MF — extensão multicampo para espaços de B-splines que preservam estrutura
  • EdgeCFD — código paralelo multifísica, com formulação variacional multiescala baseada em resíduo

IA para dados biológicos

Aplicação de técnicas computacionais avançadas a dados de sequenciamento de RNA de célula única, na pesquisa em câncer. O trabalho explora a dinâmica da paisagem epigenética no glioblastoma multiforme e busca alvos terapêuticos.

Atividades acadêmicas

Corpo editorial

  • CNMAC — editor de anais, trilha de Computação Científica (2019–presente)
  • Journal of the Brazilian Society of Mechanical Sciences and Engineering (2023–presente)

Pareceres

  • Computer Methods in Applied Mechanics and Engineering
  • Journal of Computational Science

Organização de eventos

  • Workshop “AI and HPC for Advanced Simulations” — ICCS 2022, 2023, 2024
  • Minissimpósio “Scientific Machine Learning and Uncertainty Quantification” — CILAMCE 2022, 2023, 2024
  • ERAD-RJ 2023 (VIII Escola Regional de Alto Desempenho do Rio de Janeiro)
  • CILAMCE-PANACM 2021 (comissão organizadora local)

Contato

  • E-mail: adriano (arroba) im.ufrj.br (DMA/IM) · adricortes (arroba) cos.ufrj.br (PESC/COPPE)
  • Sala: CT — Centro de Tecnologia, Bloco C, Cidade Universitária, Rio de Janeiro, RJ 21941-909
  • Telefone: +55 (21) 3938-7396
  • Páginas institucionais: DMA/IM/UFRJ · PESC/COPPE