Grant: Collaborative Science, Technology and Innovation Program - Collaborative R&D Initiatives

Collaborate on multiparty research and development programs to catalyze transformative, high-risk, high-reward research with the potential for game-changing scientific discoveries and technological breakthroughs in priority areas.

Collaborer à des programmes multipartites de recherche-développement dans le but de profiter de la synergie entre la recherche transformatrice à haut risque et à haut rendement et le potentiel de découvertes scientifiques et de percées technologiques révolutionnaires dans des secteurs d’intervention prioritaires.

This Project will focus on adapting a general learning framework to improvements related to nanophotonic component design. Novel optimization techniques such as inverse design are promising tools to significantly reduce the size of nanophotonic components while maintaining their functionality and performance. Although published results demonstrate various proof of concept miniaturized devices with pre-determined size and aspect ratio, their performances as of now are inferior to the state of the art classical devices which are however much larger, with designs that are highly non-interpretable. In this respect, recent developments in learning generative models through the use of generative-adversarial architecture is a promising technological breakthrough. Specifically, this type of training provides a framework to build neural-network based models capable of generating a diverse set of useful data instances in high-dimensional spaces, which are well-performing designs in this context

Ce projet se concentrera sur l’adaptation d’un cadriciel général d’apprentissage en vue d’améliorer une méthode de conception pour les nanocomposants photoniques. De nouvelles techniques d’optimisation comme la conception inversée en nanophotonique promettent de réduire passablement la taille des composants en silicium sans que leurs fonctionnalités et leur performance en souffrent. Bien que des publications confirment la miniaturisation de divers dispositifs d’une taille et d’un facteur de forme prédéterminés, pour l’instant, ces dispositifs sont moins performants que les dispositifs usuels, beaucoup plus grands. En outre, les modèles s’adaptent très mal, en raison de leur conception. Sachant cela, les progrès récemment réalisés au niveau des modèles d’apprentissage générateurs qui recourent à une architecture contradictoire pourraient constituer une percée technologique. Plus précisément, cette forme d’apprentissage encadre la création de modèles fondés sur les réseaux neuronaux, capables de produire un ensemble varié d’instances utiles dans un espace multidimensionnel. Les modèles de ce genre se caractérisent par une bonne performance en pareil contexte.

In the short term, anticipated outcomes will be strengthened collaborations across industry, academia, and government to support research excellence. In the medium term, anticipated outcomes will be the development of new and potentially disruptive technologies with collaborators. In the long term, find collaborative solutions to public policy challenges and create stronger innovation systems.

À court terme, les résultats prévus seront des collaborations renforcées entre l'industrie, le milieu universitaire et le gouvernement pour soutenir l'excellence en recherche. À moyen terme, les résultats attendus seront le développement de nouvelles technologies potentiellement perturbatrices avec des collaborateurs. À long terme, trouver des solutions collaboratives aux défis des politiques publiques et créer des systèmes d'innovation plus solides.

This agreement has been amended 1 time(s). The end date of this agreements has been modified by -595 days.

Cet accord a été modifié 1 fois. La date de fin du présent accord a été changé de -595 jours.