Seminarios de Física 2022

Aprendizaje supervisado en Relatividad General: regresión y redes neuronales

En este seminario hablaré sobre las técnicas de aprendizaje supervisado aplicadas en el ámbito de la relatividad general. En la primera parte del seminario, explicaré algunas técnicas de regresión aplicadas al catálogo de ondas gravitacionales del RIT (Rochester Institute of Technology). En particular, usaremos Random Forest para hacer predicciones sobre la masa final de los remanentes de agujeros negros binarios y extender el espacio de parámetros iniciales del catálogo. En la segunda parte de esta charla comentaré sobre un tipo de redes neuronales que ha llamado particularmente la atención de la comunidad científica en estos últimos dos años: Las redes neuronales informadas con física son redes neuronales de aprendizaje supervisado que se entrenan con el fin de que la red neuronal se aproxime a la solución de la ecuación diferencial subyacente. Este método difiere de las técnicas usuales de aprendizaje automático supervisado. En lugar de basar su entrenamiento solamente en los datos, usan las propiedades físicas de las ecuaciones diferenciales para guiar el proceso de entrenamiento. Mostraré el funcionamiento de este tipo de redes así como también su aplicación en problemas de Relatividad General.

Clasificación Petrov aproximada para espaciotiempos

En este seminario introduciré las nociones básicas para definir la clasificación del tipo Petrov de un espaciotiempo, así como también las herramientas matemáticas para definir una noción aproximada del tipo Petrov de un espaciotiempo. Con esta herramienta de clasificación local y aproximada, estudiaremos datos iniciales de sistemas binarios de agujeros negros. Concluiré el seminario con potenciales aplicaciones de esta herramienta y futuras líneas de trabajo.

Sistemas cuánticos forzados: Aislantes topológicos de Floquet

Los aislantes topológicos constituyen una extensión de la clasificación usual de las fases electrónicas de la materia, diferenciándose de los aislantes comunes (triviales), los semiconductores y los metales, gracias a la información topológica contenida en sus autoestados. Su característica distintiva es que se comportan como aislantes en su interior (bulk) pero presentan estados conductores en sus bordes (o superficie externa), los cuales son muy robustos ante diferentes tipos de desorden y dan lugar a un gran número de potenciales aplicaciones. Sin embargo, a pesar de los numerosos avances en este campo, los materiales que exhiben estas propiedades topológicas únicas siguen siendo bastante escasos debido a las dificultades en diseñar Hamiltonianos adecuados y en controlar experimentalmente las transiciones de fase topológicas.
Una forma de evitar estas dificultades es tomar un sistema topológicamente trivial y someterlo a perturbaciones que den lugar a estados de borde topológicos. Usando la teoría de Floquet, es posible demostrar que la modulación periódica de estos sistemas origina estados de borde topológicos cuyas propiedades pueden ser controladas por el campo modulante. Estos sistemas de no-equilibrio son conocidos como aislantes topológicos de Floquet.
En este seminario discutiré los aspectos fundamentales de los aislantes topológicos y de la teoría de Floquet, siendo esta última una herramienta fundamental para el estudio de sistemas cuánticos periódicamente forzados. Luego mostraré diferentes resultados, tanto teóricos como experimentales, acerca de cómo es posible desarrollar un aislante topológico de Floquet utilizando grafeno irradiado con luz proveniente de un láser. En particular, discutiré cómo un láser puede modificar la estructura electrónica del grafeno, alterando sus propiedades de conducción y generando también características topológicas ausentes en el material no iluminado.

Beneficios de la inhomogeneidad: utilidad y aplicaciones de campos magnéticos inhomogéneos

En este seminario doctoral se pretende primero poner en contexto de dónde surge el uso de la resonancia magnética nuclear con campos inhomogéneos y sus efectos sobre los pulsos de radiofrecuencia, lo cual lleva a tener ciertas consideraciones a la hora de plantear las secuencias de pulsos. Finalmente, se verá su implementación en el análisis de momias y tejidos humanos históricos, así como también en el diagnóstico de la enfermedad del hígado graso no alcohólico.

Condiciones de balance detallado en sistemas abiertos

En sistemas estocásticos clásicos, las condiciones de balance detallado proveen métodos de solución para el estado estacionario de los mismos. En este seminario se comentará una de las tantas extensiones de condiciones de balance detallado a sistemas cuánticos abiertos [1] adecuadas a sistemas disipativos forzados, la factibilidad de utilizarlas para obtener soluciones analíticas previamente no obtenidas [2], y su relación con la generación de estados entrelazados mediante la interacción de un sistema con su entorno [3].

[1] Hidden Time-Reversal Symmetry, Quantum Detailed Balance and Exact Solutions of Driven-Dissipative Quantum Systems
David Roberts, Andrew Lingenfelter, and A.A. Clerk. PRX Quantum 2, 020336 – Published 8 June 2021

[2] Driven-Dissipative Quantum Kerr Resonators: New Exact Solutions, Photon Blockade and Quantum Bistability
David Roberts and Aashish A. Clerk. Phys. Rev. X 10, 021022 – Published 29 April 2020

[3] Driven-dissipative preparation of entangled states in cascaded quantum-optical networks
K. Stannigel, P. Rabl and P. Zoller. K Stannigel et al 2012 New J. Phys. 14 063014

Diffusion-driven instabilities for systems on networks and simplicial complexes

Many natural and artificial systems exhibit collective behaviors, which show in the form of spatio-temporal patterns. This have triggered the interests of scholars, who have proposed several theories to account for such diversity. One of the most popular mechanisms of pattern formation is due to Alan Turing, who showed that diffusion can disrupt a homogeneous stable state, triggering an instability [1]. The original theory has been conceived in the framework of reaction-diffusion PDEs, but it has been recently extended on networked systems [2]. Moreover, it has been shown that a Turing-like mechanism occurs in the framework of synchronized coupled oscillators, as diffusion can lead to a loss of synchronization [3]. In this seminar I will present an overview of Turing theory in networked systems, showing that the Turing framework is indeed not too far from that of coupled chaotic oscillators [4]. I will then focus the attention on two results we have recently obtained. The first one, about the study of reaction-diffusion systems on top of non-normal networks, i.e., networks whose adjacency matrix is non-normal [5]. Such topology makes the system more sensible to perturbation, leading to a loss of stability even when a linear stability analysis predicts otherwise [6, 7]. Finally, I will briefly introduce the theory of topological signals on simplicial complexes and show a recent extension of Turing theory on such framework [8].

References

[1] A M Turing. The chemical basis of morphogenesis. Phil. Trans. R. Soc.Lond. B, 237:37, 1952.

[2] Hiroya Nakao and Alexander S Mikhailov. Turing patterns in networkorganized activator-inhibitor systems. Nature Physics, 6:544, 2010.

[3] J Challenger, D Fanelli, and R Burioni. Turing-like instabilities from a limit cycle. Phys. Rev. E, 92:022818, 2015.

[4] Louis M Pecora and Thomas L Carroll. Master stability functions for synchronized coupled systems. Physical Review Letters, 80(10):2109, 1998.

[5] Malbor Asllani, Renaud Lambiotte, and Timoteo Carletti. Structure and dynamics of non-normal networks. Sci. Adv., 4:Eaau9403, 2018.

[6] Riccardo Muolo, Malbor Asllani, Duccio Fanelli, Ph K Maini, and Timoteo Carletti. Patterns of non-normality in networked systems. Journal of Theoretical Biology, 480:81, 2019.

[7] Riccardo Muolo, Timoteo Carletti, James P Gleeson, and Malbor Asllani. Synchronization dynamics in non-normal networks: the trade-off for optimality. Entropy, 23:36, 2021.

[8] L. Giambagli, L. Calmon, R. Muolo, T. Carletti, and G. Bianconi. Diffusion driven instability of topological signals coupled by the dirac operator. arXiv preprint https://arxiv.org/abs/2207.07787, 2022.

Optimización de márgenes en tratamientos de radiocirugía de múltiples metástasis usando algoritmos genéticos y redes neuronales.

El objetivo de la radiocirugía (SRS) es la entrega de una gran dosis obliterante al tumor con gran precisión y conformidad para reducir al mínimo la dosis a los tejidos sanos circundantes. Para cumplir con este objetivo, hay una serie de requisitos básicos para la RS que se deben cumplir como: localización exacta, precisión mecánica, distribución exacta y óptima de la dosis y la seguridad del paciente. Actualmente, el empleo de tratamientos de SRS con isocentro único para múltiples metástasis cerebrales, SIMM-SRS, es la técnica más común utilizada. Las ventajas asociadas son la reducción del tiempo total de tratamiento y de las incertidumbres de posicionamiento. Las desventajas consisten en que no necesariamente las lesiones se encuentran cerca del isocentro y que aún no existe un único consenso en la comunidad clínica para la asignación de márgenes a los volúmenes blanco (PTV). En esta exposición se describe un desarrollo por medio de algoritmos de optimización inspirados en procesos biológicos, un criterio individual de márgenes de PTV para cada lesión en un tratamiento de SIMM-SRS incluyendo parámetros geométricos, dosimétricos y clínicos, que le otorga al médico radioncólogo propuestas para la toma de decisión del mejor plan para el paciente.

Inteligencia Artificial en la Física aplicada a la Medicina Nuclear

Hoy en día, la inteligencia artificial (IA) está presente en casi todos

los aspectos de la vida cotidiana, desde aspiradoras automáticas que

aprenden patrones de limpieza, los asistentes por voz como Siri o Alexa,

autos autónomos y un sin número de artefactos que incorporan alguna

función o tarea llevada acabo por algoritmos de IA. La medicina no ha

sido ajena a esta tendencia y actualmente existen algoritmos que

permiten mejorar la detección temprana de algunas enfermedades como el

Alzheimer, aportan al desarrollo de nuevos fármacos, permiten la

optimización de tratamientos; entre otras aplicaciones. En particular la

medicina nuclear ha adoptado esta tendencia aplicando la IA al

procesamiento de imágenes [1], en la asistencia en el diagnóstico de

diversas enfermedades [2, 3], etc.

En el presente seminario se describirán exhaustiva y detalladamente dos

de las más relevantes aplicaciones de IA en el campo de la medicina

nuclear, una en el procesamiento de imágenes [4] y otra en la dosimetría

en radioterapia con radiofármarcos [5]. Finalmente, se abordará breve

pero complementariamente la compleja cuestión ética de la IA aplicada en

el ámbito clínico.

[1] Lin, C., et al. “Reducing Scan Time of Paediatric 99mTc-DMSA SPECT

via Deep Learning.” Clinical Radiology, vol. 76, no. 4, 2021,

https://doi.org/10.1016/j.crad.2020.11.114.

[2] Etminani, Kobra, et al. “A 3D Deep Learning Model to Predict the

Diagnosis of Dementia with Lewy Bodies, Alzheimer’s Disease, and Mild

Cognitive Impairment Using Brain 18F-FDG Pet.” European Journal of

Nuclear Medicine and Molecular Imaging, vol. 49, no. 2, 2021, pp.

563–584., https://doi.org/10.1007/s00259-021-05483-0.

[3] Papandrianos, Nikolaos I., et al. “Deep Learning-Based Automated

Diagnosis for Coronary Artery Disease Using SPECT-MPI Images.” Journal

of Clinical Medicine, vol. 11, no. 13, 2022, p. 3918.,

https://doi.org/10.3390/jcm11133918.

[4] Häggström, Ida, et al. “DeepPET: A Deep Encoder–Decoder Network for

Directly Solving the Pet Image Reconstruction Inverse Problem.” Medical

Image Analysis, vol. 54, 2019, pp. 253–262.,

https://doi.org/10.1016/j.media.2019.03.013.

[5] Li, Zongyu, et al. “DblurDoseNet: A Deep Residual Learning Network

for Voxel Radionuclide Dosimetry Compensating for Single‐Photon Emission

Computerized Tomography Imaging Resolution.” Medical Physics, vol. 49,

no. 2, 2021, pp. 1216–1230., https://doi.org/10.1002/mp.15397.

Aplicaciones novedosas de la microscopía de barrido electrónico en la caracterización de baterías de litio

La microscopía de barrido electrónico (SEM) junto con la espectroscopia de energía dispersiva

(EDS) son unas de las técnicas de caracterización más versátiles para el examen y análisis de la

morfología de microestructuras y su composición química [1][2] . Es por esto que estas técnicas

han sido empleadas para el estudio de diferentes materiales con aplicaciones de todo tipo, en

particular han sido exhaustivamente utilizadas para caracterizar materiales presentes en baterías

[3] . Dentro de estos sistemas, las baterías de litio han atraído gran interés debido a su elevada

capacidad teórica y alta ciclabilidad [4] . Por lo tanto, resulta de suma importancia comprender su

comportamiento a lo largo de los ciclos (carga y descarga), así como sus mecanismos de falla, para

ser capaces de mejorar su rendimiento. Sobre estos aspectos las técnicas de SEM y EDS pueden

proporcionar información valiosa ya que permiten analizar el estado estructural y la composición

de la batería antes, durante y después del ciclado.  Sin embargo, debido a que Li es un material

altamente reactivo la preparación de muestras de con Li para su caracterización

presenta numerosos desafíos [5] . En este seminario se presentarán distintas configuraciones

experimentales y aplicaciones novedosas de las técnicas de SEM y EDS que brindan aportes

valiosos para el entendimiento de los procesos que tienen lugar durante el ciclado de las baterías

de Litio. 

[1] K. D. Vernon-Parry, “Scanning electron microscopy: an introduction,” III-Vs Rev., vol. 13, no.

4, pp. 40–44, Jul. 2000, doi: 10.1016/S0961-1290(00)80006-X.

[2] Douglas A. Skoog, F. J. H. Kentucky, and S. R. Crouch, Principios de análisis instrumental.

2000.

[3] Y. Li, X. Cheng, Y. Zhang, and K. Zhao, “Recent advance in understanding the electro-

chemo-mechanical behavior of lithium-ion batteries by electron microscopy,” Mater. Today

Nano, vol. 7, 2019, doi: 10.1016/j.mtnano.2019.100040.

[4] N. Nitta, F. Wu, J. T. Lee, and G. Yushin, “Li-ion battery materials: present and future,”

Mater. Today, vol. 18, no. 5, pp. 252–264, Jun. 2015, doi: 10.1016/j.mattod.2014.10.040.

[5] D. W. Jeppson, J. L. Ballif, W. W. Yuan, and B. e Chou, “Lithium Literature Review: Lithium’S

Properties and Interactions,” Hanford Eng. Dev. Lab., pp. 1–111, 1978, [Online]. Available:

https://mail.google.com/mail/u/0/%5Cnpapers3://publication/uuid/6DD64688-6948-4692-

B962-4CCD04C03645.

Material learning: Emulando redes neuronales con nanodispositivos

El fuerte aumento en la potencia de la computación digital, en combinación con la disponibilidad de grandes cantidades de datos, ha llevado a una revolución en el aprendizaje automático. Sin embargo, la implementación del mismo en computadoras digitales es intrínsecamente ineficiente, ya que el consumo de energía se vuelve prohibitivamente alto para muchas aplicaciones. Por este motivo, la comunidad científica ha comenzado a indagar en formas de computación no convencionales. En principio, se podría explotar cualquier material y sus propiedades físicas para resolver un problema computacional; por lo que resulta natural pensar en usar la materia misma para la realización de cómputos.

En este seminario, mostraré algunos ejemplos de nanodispositivos conocidos como unidades de procesamiento de redes de dopantes (DNPUs, por sus siglas en inglés). Con una eficiencia energética potencialmente muy alta, estos sistemas se pueden entrenar para realizar operaciones lógicas y tareas estándares de aprendizaje automático en un tamaño reducido. Los mismos pueden ser considerados como realizaciones físicas de redes neuronales, siendo programados con herramientas de aprendizaje automático para lograr funcionalidad; dando lugar así al concepto de material learning. Este enfoque permite alcanzar funcionalidad de manera eficiente, sin la necesidad de diseñar circuitos para las operaciones elementales subyacentes. Esto facilitaría el escaleo hacia plataformas de procesamiento de información de alto rendimiento y masivamente paralelas para tareas computacionales complejas.

Movimiento colectivo de animales: una mirada desde la biofísica estadística

Discutiremos resultados experimentales sobre el movimiento colectivo de bandadas de estorninos y enjambres de jejenes, así como su
interpretación teórica.  Mostraremos que estos sistemas presentan correlaciones de largo alcance.  Discutiremos la relaciones entre estas
correlaciones y la posibilidad de interpretar el estado de estos sistemas como un punto crítico en el sentido termodinámico.  Finalmente
mostraremos algunos resultados sobre correlaciones dinámicas, que apuntan a la necesidad de tener en cuenta la inercia para describir
teóricamente a estos sistemas.

Exceso de almacenamiento de litio en ánodos de grafito

El grafito ha sido el material anódico por excelencia en baterías de litio desde el comienzo de su comercialización. Sus propiedades químicas y electrónicas lo posicionan hasta el día de hoy como una de las opciones más seguras y accesibles en estos sistemas. Sin embargo, su baja capacidad teórica (372 mAh g-1) hace inviable su aplicación en baterías de nueva generación.
Recientemente, se han sintetizado nuevos carbones grafíticos de los cuales se han obtenido capacidades reversibles mucho mayores a la teórica al ser testeados como ánodos en baterías de litio. Las causas de este fenómeno observado no están del todo claras y existen varias hipótesis sobre cuáles son los mecanismos para que ocurra este exceso de litiación.
En este seminario indagaré sobre distintos tipos de grafitos que han exhibido aumentos significativos en su capacidad. También, desarrollaré algunos fundamentos teóricos por los cuales es posible que este fenómeno ocurra.

Empaquetamiento de anillos como sistema modelo para problemas de materia blanda

Comprender el empaquetamiento de anillos semiflexibles no solo es fundamental para la descripción dinámica de los polímeros circulares, sino que también es clave para comprender ciertos sistemas biológicos como el que se observa en el ADN circular dentro de los virus o el plegamiento del genoma, etc.

En este trabajo utilizamos tomografía de rayos X para estudiar empaquetamientos desordenados de bandas de goma en recipientes cilíndricos, pensando esto como un modelo sencillo para estudiar algunos problemas de materia blanda.

Utilizando herramientas computacionales avanzadas y de técnicas Maching Learning logramos analizar estas tomografías y caracterizar el sistema a nivel geométrico y topológico [1]. El grado de entrelazamiento de las estructuras se cuantificó a través de las intersecciones de las superficies mínimas y utilizando triangulaciones de Voronoi generalizadas, lo que permitió identificar los entrelazamientos topológicos y los vecinos de cada banda.

Encontramos que los empaques de bandas cortas conforman una estructura desordenada similar a un líquido, con un orden orientacional de corto alcance que es levemente afectado por el contenedor. Por el contrario, para anillos más largos, el confinamiento obliga al plegado de la banda y los anillos se interpenetran y enredan. Se encontró que la mayoría de los sistemas muestran una intricada red de ‘enhebramientos’ que percola el sistema. Curiosamente, para las bandas largas cuyo radio de giro duplica el diámetro del contenedor, encontramos que todas las bandas se interpenetran entre sí dando lugar a una estructura compleja y completamente entrelazada.

[1] "Packing structure of semiflexible rings", PNAS 117 (7) 3382-3387, 2020. Doi: 0.1073/pnas.1914268117.

Fotónica Térmica no-Hermitiana: Control de la radiación térmica mediante manipulación de micro y nano estructuras en la vecindad de puntos excepcionales.

La radiación térmica está asociada con las emisiones electromagnéticas originadas en el movimiento fluctuante de las cargas en la materia a temperatura finita. Su manipulación constituye un gran desafío con ramificaciones tanto fundamentales como tecnológicas.

En esta charla voy a introducirlos al campo de la Fotónica Térmica y sus aplicaciones, y voy a mostrar cómo, a través de una apropiada manipulación temporal de los elementos de un circuito fotónico, es posible sobrepasar las limitaciones impuestas por las leyes fundamentales de la radiación térmica. En particular, cuando los sistemas son configurados para crear simetrías apropiadas, el espectro de los circuitos fotónicos puede presentar singularidades espectrales, como  puntos excepcionales, en caso de sistemas no-Hermitianos. Una apropiada manipulación de las simetrías subyacentes, o incluso su violación, permite obtener una respuesta aumentada a las perturbaciones. Como resultado, es posible diseñar dispositivos con características extremas y que pueden ser usados para la manipulación no-recíproca del flujo de energía radiativa, bombeo de radiación térmica, o incluso recolección de energía del ambiente.

Potenciales interatómicos de aprendizaje automático y su aplicación a baterías de litio

Estudiante de Doctorado de FAMAF

En el campo de las simulaciones computacionales existen principalmente dos variantes para el estudio de materiales. Por un lado, las que se realizan con potenciales de interacción que se calculan a partir de primeros principios, y por otro lado las que emplean algún tipo de aproximación para estos potenciales. Las primeras de ellas tienen una gran precisión pero se encuentran limitadas a sistemas pequeños mientras que las segundas permiten simulaciones en escalas más grandes, pero su precisión depende de la forma funcional que se elija para el potencial en cuestión. Debido a la complejidad en aumento de los sistemas electroquímicos de interés en el área de las baterías de litio, es necesario que las simulaciones puedan realizarse a escalas grandes sin perder precisión. Los potenciales interatómicos de aprendizaje automático ofrecen representar la superficie energía-potencial mediante un entrenamiento con datos a partir de cálculos de estructura electrónica, que permiten llevar esto a cabo. En este seminario se introducen dichos potenciales y se presentan aplicaciones de los mismos en distintos componentes de las baterías de litio.

EL FUTURO DEL DIAGNÓSTICO DE TEJIDOS MAMARIOS USANDO TÉCNICAS NO-CONVENCIONALES DE RAYOS X

Departamento de Física - FFCLRP - Univesidade de São Paulo

En la charla discutiremos los principios físicos e tecnológicos para la introducción de nuevas técnicas de imágenes para el estudio de tejidos mamarios. Partiremos del reconocimiento histórico de los fenómenos físicos de interacción envueltos, continuaremos con los principios de formación de las nuevas técnicas, presentaremos los principales avances cualitativos y cuantitativos. Atención especial será dada para las aplicaciones de caracterización y diagnóstico de cáncer mamario, algunos prototipos de sistemas de imagen serán discutidos con algún detalle y resultados representativos de cada técnica serán presentados.

Imputación automática de datos en procesamiento de series temporales usando redes neuronales para datasets médicos y de industria.

La charla se realizará a través de Meet en el siguiente vínculo, y también por este vinculo. Más información en la siguiente página.

Las técnicas de clasificación y regresión en series temporales ayudan a resolver problemas en muchas áreas del conocimiento, tales como medicina, electrónica, industria e incluso música. Cuando aplicamos estas técnicas a problemas de la vida real, es común encontrarnos con el problema de la falta de datos en ciertos intervalos de la serie temporal. Usualmente, para resolverlo, los datos faltantes son rellenados con información dependiente de los conjuntos de datos disponibles, lo cual requiere un análisis preliminar. Este trabajo aborda el problema de una manera novedosa, llenando automáticamente los datos faltantes usando una mezcla de técnicas y dejando que el modelo de predicción decida cuál método es mejor. Hemos testeado este método para clasificación en conjuntos de datos médicos e industriales, y en particular para la tarea de regresión utilizamos un dataset con información de COVID-19.

Nuestros resultados son muy competitivos, y nuestro abordaje mejora los modelos del estado del arte. Obtenemos mejor desempeño en todos los experimentos para las medidas de calidad seleccionadas. Más importante, la mejora tiene mayor significancia estadística cuando la cantidad de datos faltantes es mayor.

Thermal equilibrium in Gaussian dynamical semigroups

Resumen en PDF

Deep NMR: Implementaciones del aprendizaje profundo en RMN

En este seminario doctoral se pretende primero contextualizar qué es el machine learning discutiendo sus conceptos y métodos básicos asociados tanto al aprendizaje supervisado como al aprendizaje no supervisado. Éstos sirven como punto de partida para luego construir lo que es una red neuronal. Dentro de las arquitecturas posibles, se detallarán las redes neuronales profundas, las convolucionales y las recurrentes. Finalmente, se verán diferentes aplicaciones del aprendizaje profundo en el marco de la resonancia magnética nuclear: reconstrucción espectral, eliminación de ruido, predicción de corrimiento químico y asignación automática de resonancias.

Vector de coherencia generalizado: definición y propiedades

Uno de los principales problemas de cualquier teoría de recursos cuánticos es la caracterización de las conversiones entre recursos mediante las operaciones libres de la teoría. En esta charla discutiré sobre este problema dentro de la teoría de recursos de la coherencia cuántica. En particular, introduciré una noción de vector de coherencia generalizado para un estado cuántico arbitrario. Mostraré que este vector de coherencia caracteriza completamente las nociones de ser incoherente, así como la de ser máximamente coherente.
Además, explotando propiedades del retículo de mayorizacion, mostraré una condición necesaria para la conversión de estados cuánticos generales mediante operaciones incoherentes. Finalmente, mostraré cómo obtener una nueva familia de cuantificadores de coherencia basada en el vector de coherencia generalizado.