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.

Organic semiconductors have been intensely investigated in the last two decades because of their wide variety of prominent commercial applications. The device fabrication process and performance heavily depend on the inherent properties of organic semiconductors. In this project the McGill team will collaborate with a team from the NRC and from NYMCTU on developing and applying machine learning (ML) methods and models to condense the available data on organic semiconductors into a ‘computational compass’ to guide the optimization of materials needed for high-performing, stable, and ‘green’ organic photovoltaic (OPV) and thermoelectric (TE) devices. This goal will be achieved by combining datadriven ML approaches with physics-based (but ML-enhanced) simulation that will fill in the details of manifestation of structural diversity and help encode the necessary morphology-function relationships into generative ML models which will be used to propose hypothetical materials. Synthesis, purification, and characterization protocols will be developed for the experimental realization of these novel materials. The work will be done in a close collaboration between the McGill and the NRC teams with HQP visiting the NRC facilities regularly and with the computational effort supported by the experts on the NRC team. The outcomes expected from this work include machine learning models for design of novel OPV and TE materials, new synthesis, purification, and characterization protocols, and ultimately new OPV and TE devices.

Les semi-conducteurs organiques ont fait l’objet de recherches intensives au cours des 20 dernières années en raison de leur grande variété d’applications commerciales de premier plan. La performance et le procédé de fabrication des dispositifs dépendent fortement des propriétés inhérentes des semi-conducteurs organiques. Dans le cadre de ce projet, l’équipe de McGill collaborera avec une équipe du CNRC et du NYMCTU pour développer et appliquer des méthodes et des modèles d’apprentissage machine (AM), qui permettront de condenser les données disponibles sur les semi-conducteurs organiques pour en faire une « boussole computationnelle », afin de guider l’optimisation des matériaux nécessaires à la fabrication de dispositifs photovoltaïques organiques (PVO) et thermoélectriques (TE) très performants, stables et « écologiques ». Pour atteindre cet objectif, les équipes combineront des approches d’AM basées sur des données avec des simulations basées sur la physique (mais améliorées par l’AM) qui permettront de compléter les détails de la manifestation de la diversité structurelle et d’encoder les relations morphologie-fonction nécessaires dans des modèles d’AM génératifs qui seront utilisés pour proposer des matériaux hypothétiques. Des protocoles de synthèse, de purification et de caractérisation seront mis au point pour la réalisation expérimentale de ces nouveaux matériaux. Les travaux seront menés en étroite collaboration entre les équipes de McGill et du CNRC; du personnel hautement qualifié (PHQ) visitera régulièrement les installations du CNRC et les efforts de calcul seront soutenus par les experts de l’équipe du CNRC. Comme résultats, on attend que ces travaux produisent des modèles d’apprentissage automatique pour la conception de nouveaux matériaux PVO et TE, de nouveaux protocoles de synthèse, de purification et de caractérisation et, en fin de compte, de nouveaux dispositifs PVO et TE.

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 agreement has been modified by 120 days.

Cet accord a été modifié 1 fois. La date de fin du présent accord a été changé de 120 jours.