Dr. Juan Ignacio Rodríguez Hernández

This email address is being protected from spambots. You need JavaScript enabled to view it.

(55) 5729 6000 Ext. 81053

Campo de conocimiento

Análisis de imágenes

El Dr. Juan I. Rodríguez H. obtuvo una Licenciatura en Física y Matemáticas y una Maestría en Física en la Escuela Superior de Física y Matemáticas del IPN. El doctorado lo obtuvo (2008) en Química Cuántica-Computacional en la Universidad de McMaster (Ontario, Canadá), desarrollando metodologías para disminuir el costo computacional de las simulaciones bajo la teoría de funcionales de la densidad (DFT: “Density Functional Theory”). Después realizó dos estancias posdoctorales. La primera con el Prof. Richard Bader (McMaster University) centrándose en el desarrollo de algoritmos de alto rendimiento para calcular las propiedades QTAIM-Bader; la segunda la realizó en el CINVESTAVIPN. El Dr. Juan Ignacio Rodríguez forma parte del grupo de desarrolladores del software “Amsterdam Modeling Suite” (www.scm.com). El Dr. Rodríguez es investigador del SNII con nivel III; tiene más de 2500 citas de acuerdo a GoogleScholar (https://scholar.google.com.mx/citations?user=inh4RPsAAAAJ) ; cuatro capítulos de libros y ha graduado más de 15 alumnos de posgrado y licenciatura. Antes de formar parte del IPN-CICATA Querétaro, el Dr. Juan I. Rodríguez fue profesor investigador de la Escuela Superior de Física y Matemáticas (ESFM) del Instituto Politécnico Nacional en el periodo 2010-2022.

Línea de investigación

Actualmente el Dr. Juan I. Rodríguez y su grupo de investigación llevan a cabo estudios teóricos computacionales basados en DFT, QTAIM, métodos semiempíricos (Dinámica Molecular) y técnica de “Machine Learning”, de materiales con potencial aplicación tecnológica en nanociencia, celdas solares orgánicas, catalizadores para isomerización de hidrocarburos y evolución de hidrógeno, biosensores, etc. Además, el Dr Juan I. Rodríguez desarrolla nuevos funcionales dentro de la metodología “Orbital-Free Density Functional Theory” y está aplicando los métodos de “Machine Learning” para predecir la eficiencia de celdas solares orgánicas.