28 novembre 2024
Montréal, le 28 novembre 2024 – IVADO a le plaisir de dévoiler les trois premiers projets financés dans le cadre de son nouveau programme Projets exploratoires.
Lancé en avril dernier, ce programme soutient des projets de recherche de petite ou moyenne envergure, innovants et audacieux, idéalement intersectoriels ou interdisciplinaires, permettant d’explorer des idées nouvelles en lien avec l’initiative IAR3. Il vise particulièrement à aider au développement de projets en phase d’exploration, notamment via le financement d’étudiantes et étudiants des cycles supérieurs ou de niveau postdoctoral travaillant sur ces projets.
Les inscriptions au concours sont toujours ouvertes! Consultez la page du programme pour plus de détails.
Réseaux électriques à grande échelle : transition vers la carboneutralité
Chercheur principal : Michel Denault, Département de sciences de la décision (HEC Montréal)
Cochercheurs : Maryam Daryalal (HEC), Pierre-Olivier Pineau (HEC)
Montant octroyé : 100 000$
La transition vers des systèmes énergétiques carboneutres est l’un des principaux piliers de la lutte contre les changements climatiques. Les besoins d’électrification croissants et l’imprédictibilité des énergies renouvelables comme l’éolien et le solaire créent de nouveaux défis pour lesquels les outils actuels de modélisation et d’optimisation du réseau électrique sont insuffisants.
Le professeur Denault et son équipe proposent donc deux nouvelles avenues de recherche pour faciliter cette transition :
- Faire appel à l’apprentissage par renforcement pour mieux planifier l’expansion du réseau électrique par les énergies renouvelables, en tenant compte des nombreuses variables en jeu (fluctuations du vent et du soleil, niveau des eaux, température, variations dans la demande d’énergie);
- Améliorer le processus de programmation stochastique, une méthode de calcul importante pour l’optimisation du réseau électrique, par l’utilisation des réseaux neuronaux.
Tirer profit de l’anatomie des racines à l’aide de l’IA pour améliorer la santé des sols et l’acquisition des ressources dans un climat changeant.
Chercheur principal : Davoud Torkamaneh, Département de phytologie (Université Laval)
Cochercheur : Shangpeng Sun (McGill)
Montant octroyé : 100 000$
Les racines des plantes, bien qu’elles jouent un rôle essentiel dans leur développement, ont toujours été peu étudiées comparativement à ce qu’on peut observer hors de la terre. La forme et la profondeur des racines ont un impact important entre autres sur la résilience des plantes face au climat, l’acquisition des minéraux et l’absorption du CO2 dans l’atmosphère. Dans le contexte canadien, mieux comprendre les variations liées aux formes des racines peut mener par exemple à développer des variétés de soja mieux adaptées aux changements de température des dernières années.
L’objectif du projet est de développer un nouveau modèle de classification des racines par l’IA, menant à la création de la première base de données globale pour la classification des systèmes racinaires, une avancée majeure dans l’étude des plantes. Le professeur Torkamaneh et son équipe captureront d’abord des images détaillées des racines, pour ensuite en créer des images 3D et les classer grâce à un modèle IA basé sur un réseau neuronal convolutif.
Quantification et contrôle de la précision dans l’apprentissage automatique scientifique
Chercheur principal : Serge Prudhomme, Département de mathématiques et de génie industriel (Polytechnique Montréal)
Cochercheur : Simone Brugiapaglia (Concordia)
Montant octroyé : 100 000$
L’intérêt croissant des dernières années dans le développement de nouvelles approches en sciences numériques (scientific computing) basées sur l’apprentissage automatique crée de nombreux défis. De nouvelles théories et outils d’analyse sont nécessaires pour améliorer l’interprétabilité de ces approches, et les rendre plus compétitives par rapport aux méthodes traditionnelles. Ce projet vise à mieux outiller les praticiens de l’apprentissage automatique pour la formulation des problèmes, la conception de l’architecture, les stratégies d’échantillonnage et le réglage des hyperparamètres.
L’objectif ambitieux du projet est donc de développer de nouveaux outils et méthodologies analytiques pour quantifier et contrôler la précision des approximations d’apprentissage profond en termes de limites d’erreur. Ces avancées contribueront à un large éventail de domaines, notamment les simulations dans l’aérospatiale et le génie mécanique, la modélisation et la science des réseaux.
