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

This agreement has been amended 1 time(s). The end date of this agreement has been modified by 245 days.

Cet accord a été modifié 1 fois. La date de fin du présent accord a été changé de 245 jours.

Current efforts to design materials computationally face two bottlenecks: accuracy and speed. The workhorse density-functional theory (DFT) computational methods are time-consuming and of limited accuracy for strongly correlated systems like the metal-oxides commonly used for catalysis. (Classical) Machine learning (ML) is showing great promise in reducing the number of expensive DFT calculations in the design process. Quantum computing (focusing on hybrid approaches using Noisy Intermediate Scale Quantum (NISQ) computers for parts of the problem) is showing great promise to contribute to opening both bottlenecks by facilitating the use of more accurate quantum chemical methods and accelerating machine-learning approaches beyond the possibilities of classical ML. The proposed research will be directed along two complementary streams: i) quantum computing for quantum chemistry and ii) quantum machine learning.

Les efforts déployés pour concevoir des matériaux à l’aide de l’informatique se heurtent à 2 défis : la précision et la rapidité. Les méthodes de calcul de la théorie de la fonctionnelle de la densité (théorie DFT, pour density-functional theory), qui sont les plus utilisées dans ce domaine, sont chronophages et d’une précision limitée pour les systèmes fortement corrélés comme les oxydes métalliques couramment utilisés pour catalyser des réactions. L’apprentissage automatique (la méthode classique) est très prometteur pour réduire le nombre de calculs coûteux par DFT dans le processus de conception. L’informatique quantique (axée sur des approches hybrides faisant appel à des ordinateurs quantiques bruités de taille intermédiaire [ordinateurs NISQ, pour Noisy Intermediate Scale Quantum] pour résoudre certaines parties du problème) est également très prometteuse pour ce qui est de relever les 2 défis en facilitant l’utilisation de méthodes chimiques quantiques plus précises et en accélérant les méthodes d’apprentissage automatique pour dépasser celles de l’apprentissage automatique classique. La recherche proposée s’articulera autour de 2 axes complémentaires : i) l’informatique quantique pour la chimie quantique et ii) l’apprentissage automatique quantique.

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.