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

This agreement has been amended 1 time(s) the total amended value is $319,000.The end date of this agreement has been modified by -1 days.

Cet accord a été modifié 1 fois la valeur totale des modifications est de 319,000$. La date de fin du présent accord a été changé de -1 jours.

The field of novel materials discovery has witnessed several interesting techniques that span across traditional synthetic chemistry and computational methods. Synthetic chemistry methods are normally Edisonian-based (i.e., trial-and-error) and often will rely on experiential knowledge to synthesize chemically stable materials. Machine Learning (ML) approaches, that are based on Deep Generative Modeling (DGM), are commendable alternatives for novel materials discovery due to their impressive ability in analyzing robust chemical design space. Famous for their speed, reliability, and low cost, DGM techniques can intelligently identify hidden patterns and correlations in a training dataset by solving an inverse design scheme. However, deep generative ML (DGML) approaches face challenges related to lattice reconstruction at the decoding phase, potentially leading to two major shortcomings. To address the highlighted challenges, the project will develop progressive deep learning approaches for novel materials discovery in two stages. The first stage will leverage on the technical strengths of both a semi-supervisory VAE (i.e. SS-VAE) model and an auxiliary GAN (i.e. A-GAN) model. The model architecture is referred to as Lattice-Constrained Materials Generative Model (LCMGM) and will be used to screen stable inorganic perovskite materials with crystal lattice conformities that are consistent with predefined symmetrical constraints at the encoding phase. Furthermore, the second stage will involve the novel design and development of a Thermodynamics Guided Diffusive Generative Model (TGDGM) for discovering Hybrid Organic-Inorganic Perovskite (HOIP). The TGDGM shall build on the LCMGM for facilitating autonomous materials search with high scalability and reliability. The AI generated perovskite crystal structures will be synthesized using highly-scalable experimental means for meeting targeted applications in many engineering domains. The synthetization processes will be developed for the most promising AI discovered compounds at the University of Ottawa. The focus will be on producing powders or particles with optimized properties for future research on novel perovskite structures produced by coating or layering. Two approaches will be investigated simultaneously, starting primarily from mixed oxide particles: (1) solid state processing and (2) sol gel synthesis. In addition, extensive materials characterization will provide important knowledge and materials data, which will serve as crucial closeloop feedback for further optimizations of both the Machine Learning models and synthetization processes, with primary focus on applications such as solar cells, energy storage materials and catalysts.

Le domaine de la découverte de nouveaux matériaux est témoin de plusieurs techniques intéressantes qui vont de la chimie de synthèse classique aux méthodes de calcul. Les méthodes de chimie synthétique sont normalement basées sur des démarches d’essais et erreurs et s’appuient souvent sur la connaissance expérimentale pour synthétiser des matériaux chimiquement stables. Les démarches d’apprentissage automatique (ML, Machine Learning), qui sont basées sur la modélisation générative profonde (DGM, Deep Generative Modelling), sont louables pour la découverte de nouveaux matériaux en raison de leur capacité impressionnante dans l’analyse d’un espace de conception chimique robuste. Reconnues pour leur rapidité, leur fiabilité et leur faible coût, les techniques DGM peuvent identifier de manière intelligente des corrélations et des modèles cachés dans un jeu de données d’apprentissage en résolvant un schéma de conception inverse. Cependant, les approches d’IA générative de l’apprentissage automatique profond (DGML, Deep Generative Machine Learning) se heurtent à divers obstacles liés à la reconstruction du réseau lors de la phase de décodage, ce qui pourrait mener à deux lacunes majeures. Pour surmonter les difficultés qui ont été relevées, le projet développera des approches d’apprentissage profond progressives pour la découverte de nouveaux matériaux en deux étapes. La première étape s’appuiera sur les atouts techniques d’un modèle de supervision VAE (c’est-à-dire SS-VAE) et d’un modèle GAN auxiliaire (c’est-à-dire A-GAN). L’architecture du modèle est appelée modèle génératif de matériaux limité par le réseau (LCMGM, Lattice Constrained Materials Generative Model). Ce modèle sera utilisé pour présélectionner la pérovskite inorganique stable dont les conformités du réseau cristallin sont compatibles avec des contraintes symétriques prédéfinies à la phase d’encodage. De plus, la deuxième étape comprendra la conception et le développement d’un nouveau modèle génératif de diffusion guidée par la thermodynamique (TGDGM, Guided Diffusive Generative Model) pour la découverte d’une pérovskite organique-inorganique hybride (HOIP, Hybrid Organic-Inorganic Perovskite). Le TGDGM s’appuie sur le LCMGM pour faciliter la recherche autonome de matériaux avec un haut niveau d’évolutivité et de fiabilité. Les structures cristallines de pérovskite générées par l’IA seront synthétisées à l’aide de moyens expérimentaux hautement évolutifs pour répondre à des applications ciblées dans de nombreux domaines de l’ingénierie. Les procédés de synthèse seront développés pour les composés les plus prometteurs découverts par l’IA à l’Université d’Ottawa. L’accent sera mis sur la production de poudres ou de particules aux propriétés optimisées pour de futures recherches sur de nouvelles structures de pérovskites produites par revêtement ou stratification. Deux approches seront étudiées simultanément, en commençant principalement par des particules d’oxydes mixtes : (1) traitement à l’état solide et (2) dépôt en solution (aussi appelé procédé « sol gel »). De plus, une caractérisation approfondie des matériaux permettra d’obtenir d’importantes connaissances et des données sur les matériaux, qui serviront de rétroaction essentielle sur la démarche en boucle fermée pour l’optimisation ultérieure des deux modèles d’apprentissage automatique et des procédés de synthèse, en mettant l’accent sur des applications telles que les photopiles, les matériaux de stockage d’énergie et les catalyseurs.

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.

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.