El investigador principal de CENIA, Pablo Barceló, ocupa el lugar 191 del área de Teoría de la Computación y Matemáticas y figura por segundo año consecutivo en la categoría que mide el impacto de las publicaciones durante el último año.
Pablo Barceló, investigador principal de CENIA, ocupa el lugar 191 del área de Teoría de la Computación y Matemáticas en la edición 2026 del World’s Top 2% Scientists, el ranking mundial que la Universidad de Stanford y la editorial Elsevier publicaron el 7 de octubre de 2026. El listado reconoce a Barceló por el impacto de su investigación en Inteligencia Artificial (IA), que se mide según la cantidad de veces que otros científicos citaron sus publicaciones durante 2025.
Barceló figura en la categoría que mide el impacto del último año, en la que también estuvo en la edición 2025, por lo que su presencia en el ranking se repite por segundo año consecutivo.
“Me da mucha alegría, y también un poco de sorpresa, la verdad. Uno no investiga pensando en rankings, sino en resolver problemas que importan, pero que el trabajo se reconozca así es bonito y da ganas de seguir. Para mí es relevante porque confirma que desde Chile se puede hacer ciencia que se lee y se usa en todo el mundo. Y para CENIA es una buena señal: muestra que acá hay investigación de primer nivel, hecha con equipos y estudiantes que se están formando en el centro”, destacó el investigador principal de CENIA, Pablo Barceló.
El ranking se construye a partir de los datos de Scopus, la mayor base de datos de citas y resúmenes de literatura científica. El listado distingue a los investigadores en dos categorías: una que mide el impacto a lo largo de toda su carrera y otra que mide el impacto durante el último año.
El trabajo de Barceló se centra en las redes neuronales de grafos (Graph Neural Networks), la IA explicable y los fundamentos del aprendizaje automático. Las redes neuronales de grafos son modelos de Inteligencia Artificial que aprenden a partir de datos organizados como redes de conexiones. Su investigación busca entender los límites teóricos de los modelos de IA y desarrollar nuevas arquitecturas más transparentes y confiables.
