Soy Cristian Ramírez, doctor en Ciencias de la Computación. Mi trabajo actual de I+D se centra en la ingeniería de rendimiento para IA generativa: kernels, runtimes, benchmarking y automatización con agentes. Trabajo con agentes de IA, vLLM, CUDA, C++ y Clang, con experiencia investigadora en la Universitat Politècnica de València y kernels vectoriales RISC-V.
Software de inferencia. Ingeniería adaptada al hardware.
Mi trabajo de ingeniería conecta kernels de IA, runtimes, perfilado y optimización del rendimiento con agentes. Mi base investigadora aporta ARM NEON, RISC-V Vector, OpenMP y cómputo numérico consciente de la memoria.
Sistemas de inferencia de IA. Agentes de IA y vLLM, con benchmarking, perfilado y optimización de runtimes para el hardware objetivo.
Software para GPU y compiladores. Mis herramientas actuales incluyen CUDA, C++ y Clang, conectando la implementación de software con el comportamiento de ejecución.
Arquitectura de computadores. Experiencia investigadora en GEMM, ARM NEON, RISC-V Vector, OpenMP y jerarquías de memoria.
Proyectos
Trabajo de ingeniería respaldado por implementación, arquitectura y evidencia técnica publicada.
@article{10620227,
author = {Ramírez, Cristian and Castelló, Adrián and Martínez, Héctor and Quintana-Ortí, Enrique S.},
journal = {IEEE Internet of Things Journal},
title = {Communication-Avoiding Fusion of GEMM-Based Convolutions for Deep Learning in the RISC-V GAP8 MCU},
year = {2024},
volume = {11},
number = {21},
pages = {35640-35653},
html = {https://ieeexplore.ieee.org/document/10620227},
keywords = {Convolutional neural networks;Tensors;Transforms;Internet of Things;Signal processing algorithms;Memory management;Matrix decomposition;Convolution;convolutional neural networks (CNNs);cost analysis;deep learning (DL);edge processors;high performance},
doi = {10.1109/JIOT.2024.3436937},
preview = {gemm_avoid_paper.png},
selected = {true},
bibtex_show = {true}
}
Historia de la investigación en multiplicación rápida de matrices, desde identidades bilineales y rango frontera hasta métodos láser, resultados anunciados en 2026, estabilidad numérica e ingeniería de GEMM en RISC-V.
Guía práctica de desarrollo nativo en Termux e inferencia local en CPU con llama.cpp en un Samsung S24+ con Exynos y 12 GB de RAM, con verificación de GGUF, API local y ajuste de memoria.
Semántica de GEMM, bloqueo, empaquetado, kernels de tipo BLIS, memoria scratchpad, DMA, corrección numérica y análisis Roofline, fundamentados en la investigación de GAP8.