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

FTIR and Raman are common spectroscopic tools used in materials synthesis and characterization. Deep neural networks will be used to develop an efficient and accurate methodology for simulating accurate spectroscopic signatures at significantly lowered computation cost than currently possible. This study will focus on 2D materials, beginning with graphene. AI will be used to: 1. Produce approximate (yet accurate) spectra from atomic structures using supervised learning on a large dataset of first principles-based calculations. The deep neural network will interpolate those spectra at a fraction of the original cost of generating them. The target is to develop an AI model which allows simulation of spectra from much larger (and therefore complex) structures than currently possible. 2. Searching the space of possible structures to find a simulated spectra which best matches experimental signal. Genetic algorithms will be explored, where the objective function will be to minimize the KL divergence between the spectra produced by the neural network and the experimental signal.

La spectrométrie infrarouge à transformée de Fourier et la spectroscopie Raman sont des techniques d’analyse utilisées dans le cadre de la synthèse et de la caractérisation des matériaux. Des réseaux neuronaux profonds seront utilisés afin de développer une méthodologie efficace et précise de simulation des signatures spectroscopiques précises à un coût de calcul nettement inférieur à ce qui est actuellement possible. Cette étude sera principalement axée sur les matériaux bidimensionnels, en commençant par le graphène. L’IA sera utilisée pour : 1. Produire des spectres schématiques (mais précis) à partir des structures atomiques à l’aide de l’apprentissage supervisé appliqué à une vaste base de données constituée de résultats de calculs effectués à partir des principes premiers. Le réseau neuronal profond interpolera ces spectres à un coût bien inférieur au coût de leur production. L’objectif est de mettre au point un modèle exploitant l’IA pour simuler les spectres de structures beaucoup plus grosses (et par conséquent complexes) que ce qu’il est possible de faire actuellement. 2. Retrouver, dans l’espace des structures possibles, du spectre simulé qui reproduit au mieux le signal expérimental. Des algorithmes génétiques seront explorés, l’objectif étant de minimiser la divergence K-L entre le spectre produit par le réseau neuronal et celui obtenu expérimentalement.

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.