Souvent, des simulations de mesures par spectroscopie Raman et spectroscopie infrarouge à transformée de Fourier (FTIR) sont utilisées par des expérimentateurs afin de caractériser les échantillons cultivés en laboratoire. Bien qu'une telle technique fonctionne (et qu'elle soit largement utilisée), les coûts computationnels liés à la simulation spectrale peuvent être très élevés. Ce projet porte sur l'utilisation de réseaux neuronaux profonds pour développer une méthode efficace et précise de simulation des signatures spectroscopiques précises à un coût computationnel nettement inférieur à ce qu'il en coûterait normalement. Il sera principalement axé sur des matériaux bidimensionnels, en commençant par le graphène. L'Université de Montréal, qui collabore au projet, mettra à contribution son expertise en matériaux computationnels, en structure électronique et en simulation des principes fondamentaux des nanostructures et des spectres. Pour sa part, le CNRC contribuera au projet son expertise de l'application de l'IA et de l'apprentissage profond aux problèmes du secteur nanoscientifique.
Biographies
Michel Côté, Ph. D.
Michel Côté est professeur à l'Université de Montréal. Il se spécialise en matériaux computationnels, en structure électronique et en simulation de nanostructures et de spectres.
Michel est chercheur principal pour le projet Acquisition rapide de signatures spectroscopiques accélérée par l'apprentissage profond.
Plus sur M. Côté.
Li-Lin Tay, Ph. D
Li-Lin Tay est agente de recherches principale et chef d’équipe au Centre de recherche en métrologie du Conseil national de recherches du Canada (CNRC). Elle possède une vaste expertise dans l’étude des propriétés optiques des matériaux de faible dimension et en spectroscopie améliorée des surfaces, ainsi que dans leurs applications en détection et en imagerie. Elle dirige un effort de recherche international sur la métrologie Raman dans le but de permettre l’analyse quantitative Raman traçable à l’aide du système d’unités de mesure (SI). Plus récemment, elle a travaillé à l’application de l’apprentissage machine pour améliorer l’exactitude et l’efficacité de la classification spectrale et des identifications spectrales de Raman.
Biographies du personnel hautement qualifié (PHQ)
Kevin Ryczko
M. Ryczko est étudiant au doctorat à l'Université d'Ottawa et est étudiant de cycle supérieur affilié à l'Institut Vecteur pour l'intelligence artificielle. Travaillant sous la supervision de M. Isaac Tamblyn, M. Ryczko se spécialise dans l'utilisation de techniques d'apprentissage profond pour accélérer la découverte et l'informatique des matériaux. Découvrez les projets sur lesquels il travaille à github.com/kryczko (anglais seulement) ou github.com/CLEANit (anglais seulement).
Olivier Malenfant-Thuot
M. Malenfant-Thuot est étudiant au doctorat à l'Université de Montréal, sous la supervision du professeur Michel Côté. Avec ce dernier, il étudie les principes fondamentaux du graphène et les mécanismes d'intégration des atomes d'azote dans sa structure. Il est spécialiste de l'utilisation des codes ab initio d'ABINIT et de BigDFT. Il travaille maintenant sur l'utilisation de réseaux neuronaux profonds pour la réalisation de telles études. Découvrez ses projets de codage à github.com/OMalenfantThuot (anglais seulement).
Arnab Majumdar
M. Majumdar est boursier de recherche postdoctorale. Il s'est joint à l'équipe de projet à l'automne 2020. Son expérience antérieure porte sur les méthodes de structure électronique et leurs applications à divers problèmes, par exemple ceux associés aux supraconducteurs à haute pression, aux propriétés géophysiques et aux matériaux topologiques. M. Majumdar a obtenu son doctorat de l'Université de la Saskatchewan sous la supervision des professeurs John S. Tse et Yansun Yao, et il a réalisé son premier projet de recherches postdoctorales avec le professeur Rajeev Ahuja, de l'Université d'Uppsala, en Suède. Consultez ses publications dans Google Scholar (anglais seulement) ou dans ResearchGate (anglais seulement).