Currículum académico

Carlos Sebastián Monago Díaz

Doctorando en Física · Departamento de Física Fundamental · UNED

Desarrollo modelos estocásticos de grano grueso que conectan la simulación microscópica con la dinámica de proteínas, coloides y fluidos. Mi trabajo se centra en identificar las interacciones efectivas, la fricción, la movilidad y la disipación que aparecen al eliminar grados de libertad microscópicos. Mi contrato predoctoral FPI terminó en agosto de 2026. Ahora estoy terminando la tesis doctoral y dos manuscritos relacionados; preveo defender la tesis en 2027.

Experiencia investigadora

Investigador predoctoral (FPI)

UNED · Departamento de Física Fundamental

Modelización de grano grueso y dinámica estocástica con la ayuda FPI PRE2021-099773, asociada al proyecto PID2020-117080RB-C54.

Septiembre de 2022 – agosto de 2026

Investigador visitante

Universidad de Pensilvania · Ingeniería Mecánica y Mecánica Aplicada

Investigación con Nathaniel Trask sobre aprendizaje profundo y redes neuronales para modelizar fluidos sometidos a flujo hidrodinámico.

Abril – julio de 2025

Ayudante de investigación

Virtual QCM · UNED

Estudio de la disipación en experimentos de microbalanza de cristal de cuarzo con muestras biológicas y materia blanda (PDC2021-121441-C22).

Marzo – agosto de 2022

Miembro del equipo investigador de PRETHEXP (PID2024-158994OB-C43), proyecto de 2025–2028 sobre modelización dinámica de grano grueso de sistemas biológicos y materia blanda.

Formación académica

Doctorado en Física

Universidad Nacional de Educación a Distancia (UNED)

Directores: Pep Español y J. A. de la Torre. Tesis en curso; defensa prevista en 2027.

Septiembre de 2022 – actualidad

Máster en Física Teórica

Universidad Complutense de Madrid

Trabajo de fin de máster sobre equilibrio detallado y producción de entropía en sistemas biológicos, dirigido por Francisco Monroy y Niccolò Caselli.

2020 – 2021

Grado en Física

Universidad Complutense de Madrid

Trabajo de fin de grado sobre fenómenos de transporte en medios porosos, dirigido por Carmen García Payo.

2016 – 2020

Publicaciones revisadas por pares

2026

Self-averaging parameter estimation for coarse-grained particle models

Carlos Monago, J. A. de la Torre, Pep Español

The Journal of Chemical Physics 165, 044103. doi:10.1063/5.0340034

2025

Unraveling internal friction in a coarse-grained protein model

Carlos Monago, J. A. de la Torre, Rafael Delgado-Buscalioni, Pep Español

The Journal of Chemical Physics 162, 114115. doi:10.1063/5.0255498

180 horas certificadas

Experiencia docente

AsignaturaPeriodoHoras
Mecánica Clásica · Grado en FísicaOct. 2024 – ene. 202530
Fundamentos Físicos del Medio Ambiente · Grado en Ciencias AmbientalesOct. 2024 – ene. 202530
Mecánica Clásica · Grado en FísicaOct. 2023 – ene. 202460
Electromagnetismo y Óptica · Grado en QuímicaEne. – jun. 202360

Miembro del Grupo de Innovación Docente en Física de la UNED (GIDF, GID2016-25) y del proyecto de innovación docente «Blog de Física de la UNED» en 2024–2025 y 2025–2026.

Contribuciones a congresos

Ponencia

Parameter Estimation for Coarse-Grained Models via Self-Averaging

FisEs Joven ’24 · en línea

13–14 de noviembre de 2024

Póster

A Self-Averaging Method to Fit Parameters in Coarse-Grained Models

2nd Spanish Soft Matter 1 1/2 Day · Benasque, España

3–6 de noviembre de 2024

Póster

Self-averaging method for parameter estimation of coarse-grained models

12th Liquid Matter Conference · Maguncia, Alemania

22–27 de septiembre de 2024

Computación científica

Programación
C++, Python y scripts de shell
Simulación
LAMMPS, GROMACS e integración numérica estocástica
Análisis
Mathematica, MATLAB, Matplotlib, Gnuplot y VMD
Entorno de investigación
Linux, computación de alto rendimiento en CPU/GPU, LaTeX y Vim

Formación complementaria e idiomas

Formación especializada

  • LAMMPS Taller y simposio · Temple University · 2023
  • MolSim escuela de simulación molecular · University of Amsterdam · 2023
  • ESPResSo escuela de verano · University of Stuttgart · 2022

Idiomas

  • Español · lengua materna
  • Inglés · C2 Proficiency, Cambridge English (2023)
  • Chino mandarín · HSK 1