Projets novateurs réalisés

Evaluating and learning from a mind-body medicine course: A mixed methods study (2)

This project learns from the experience of participants in an eight-week Mind-Body Medicine program (MBM). Mind-Body Medicine (MBM) teaches people how to help themselves by uncovering and engaging their inner resources and building resilience, broadly understood. The eight-week MBM program is delivered through the Iris Centre for Mindfulness, Peace and Healing in Fredericton. This research synthesizes the data gathered through previous Mitacs funded projects and focuses on knowledge mobilization through academic publication and presentations. The previous internships analyzed nearly 1000 course completion surveys and conduced individual and group interviews with participants, including participants who dropped out of the training. A public report was produced synthesizing the findings for a lay audience. This internship will focus on knowledge mobilization resulting in the production of at least one academic presentation and manuscript for peer review, with the intern as lead author on both. The research will support program development at the Iris Centre and contributing to the development of similar programs in the province of New Brunswick and nationally.

Tree responses to drought in the context of climate change

Extensive ecosystem changes are expected to be driven by decreasing water availability in the western boreal forest. Warming of 2° C since the 1950’s has already been linked to water stress and declining tree growth in
some regions and species. Tree rings are a valuable tool for tracking changes in forest growth over time, but sampling is often cost and time prohibitive. Our research will assess the impact of drought in Alberta boreal forest
using tree rings, as well as evaluate the use of satellite imagery as a complementary, low-cost measure of forest growth. We will also make recommendations to improve the AMBI sampling protocol for tree rings to facilitate
future forest growth research.

Affective mechanisms for interactive environments

The proposed internship, developed between the University of Waterloo and Philip Beesley Architect Inc. (PBAI), will develop and validate prototypes for novel expressive interactive sculpture environments. The work incorporates human perceptual studies and machine learning techniques for generating models for perception and generation of affective expression within experimental architecture and installations, and systematically deriving the relationship between affect and structure. Researchers will develop design methodology and control algorithms and will produce initial prototypes of mechanisms. The design process and prototypes developed will enable PBAI to integrate new technology within new environments capable of affective communication with installation visitors.

Optimization algorithms for improved transloading cargo operations in container terminals

This research project aims to make the process of moving cargo from trains to shipping containers more efficient. We’re going to create smart plans and ways to organize this process better, making sure the cargo is packed into containers in the best way possible. By doing this, we aim to reduce the time it takes to consolidate different types of cargo, minimize how much cargo is moved around, and make sure the containers are loaded in a way that’s most effective. This will be done in partnership with Ray-Mont Logistics, a company that deals with products like agricultural goods and chemicals, aiming to help them in their supply chain.

Lixiviation sélective d’un résidu d’amiante pour produire de sulfate de nickel suivie par un procédé de régénération des lixiviats

Exterra Solutions Carbone développe un procédé permettant d’extraire les MCS à partir résidus miniers et à la fois y stocker le CO2. Cette technologie innovante permettra au Québec de produire du sulfate de nickel et du sulfate de cobalt de qualité batterie pour les VE de façon carboneutre. Ce projet de recherche collaboratif entre Exterra Carbon Solutions et l’Université Laval explorera des réactifs chimiques alternatifs et plus respectueux de l’environnement pour la récupération du MCS par rapport aux réactifs acide/base conventionnels utilisés aujourd’hui pour la récupération des MCS. De plus, le projet visera à développer un procédé véritablement circulaire qui récupère et recycle l’eau utilisé et régénère tous les lixiviats afin d’être pas seulement carboneutre mais aussi zéro rejet liquide, c.à.d., de ne pas générer de nouveaux rejets liquides.

Russian usage of the AI technologies in the Invasion of Ukraine 2022-2024

The project is expected to deepen understanding of Artificial Intelligence in a modern Global Security context by analysing the practical implications of its usage by the Russian Federation in the full-scale invasion of Ukraine. The goal of the project is to create a comparative analysis and to reveal the difference or consistency within the declared Artificial Intelligence development policy of Russia and the practical its implementation on the battlefield and inside Russia to conduct a military campaign against Ukraine. The project and its results will enable a deeper understanding of modern technology development and, especially Artificial Intelligence, which is estmated to be one of the most important threats to Global Stability and Peace.

Développement d’algorithmes d’IA pour soutenir le développement de médicaments oncologiques

En biologie, tout comme dans le monde des machines mécaniques, la fonction découle de la structure. Dans le domaine biologique, les “machines” sont constituées de protéines. En altérant leur structure, il est possible de
leur conférer de nouvelles fonctionnalités. L’entreprise 9Bio combine une expertise de pointe en modélisation IA avec l’ingénierie structurelle biologique pour créer des protéines avec des capacités sans précédent. Ce stage s’appuie sur cette expertise pour développer des algorithmes d’IA à l’appui du développement de médicaments de nouvelle génération basés sur la biologie structurale.

Promotion, évaluation et accompagnement de démarches de corridors scolaires au Saguenay-Lac-Saint-Jean pour la mobilité active et sécuritaire des élèves

Le projet vise à évaluer l’impact des corridors scolaires sur la sécurité des élèves dans la région. Face à la croissance du trafic automobile et à la diminution du nombre d’élèves se rendant à l’école à pied ou à vélo, En Mouvement Saguenay–Lac-Saint-Jean et ses partenaires souhaitent revoir leur démarche d’accompagnement de corridors scolaires à la lumière des constats qui découleront de ce projet de recherche. Le projet prévoit des observations sur le terrain et des consultations avec les acteurs concernés pour évaluer la sécurité réelle et perçue des élèves. En offrant un soutien pour la mise à jour ou l’implantation de corridors scolaires, l’objectif est d’améliorer la sécurité aux abords des écoles, favorisant ainsi les modes de transport actifs et contribuant à la santé physique des enfants, tout en réduisant le trafic automobile et améliorant la qualité de l’air.

Brewing yeast development and production optimization

Yeast producers grow and distribute a wide variety of brewing yeasts to brewers to be used to make a wide selection of beers. These yeasts are commonly provided shipped as a wet slurry of yeast of a known number that brewers use to start the brewing process. Brewers demand high quality yeast to ensure efficient brewing and are always in search of novel yeasts with more desirable attributes and less undesirable ones. With this research we propose to optimize the growth process of a wide selection of yeasts to improve the yield and develop existing and novel yeasts with improved desirable traits and less undesirable traits. Overall, this project will increase production efficiency and increase the selection of yeast available from Escarpment Labs.

Towards Causal Deep Learning for Explainability, Robustness, and Extrapolation

In many applications, Machine Learning (ML) predictions are used to make downstream decisions. Acting on ML predictions however can change the distribution of features that the ML model relies on for predictions. The implication is that such downstream decisions procedures implicitly expect the ML model to generalize outside of the observational distribution. Unfortunately, this is often not the case, and ML models tend to be brittle outside of their training distribution. ML models will thus produce unreliable extrapolations, leading to poor downstream decisions based on wrong predictions.

Causal models, which aim to learn the structural causal models underlying the data generation process, are a natural fit for such use-cases. This is because causal mechanisms are more robust to superficial changes in the data distribution, and can be expected to extrapolate better to new environments. This project aims to combine deep learning and causal inference to develop causal forecasting models adapted to three important applications. Students will start by implementing existing approaches on three applications (demand forecasting, health prediction, and ML model understanding), before working on new techniques for causal ML in three directions.

Séjour de recherche à l’Institut de Chimie Séparative de Marcoule (ICSM)

Mon projet de recherche vise à synthétiser des composites à base de nanoparticules métalliques et à réaliser des caractérisations électrochimiques (LSV, CV, CP, etc.), chimiques et physiques (TEM, XRD, XPS, etc.). L’étude du comportement électrochimique de ces composites me permettra d’approfondir ma compréhension de leur activité catalytique et de leur stabilité. De plus, les techniques de caractérisation physique et chimique fourniront des informations cruciales sur la structure, la composition et les propriétés de surface de ces matériaux. Ces détails sont essentiels pour évaluer leurs performances dans des applications énergétiques et environnementales durables, telles que la photocatalyse, la photo-électrocatalyse, et les piles à combustible, utilisées pour la production d’hydrogène et la réduction du CO2.

Création et Optimisation de Lignées Génétiques de Mouches Soldats Noires pour Valoriser la Matière Organique en Produits Essentiel

La valorisation des matières organiques résiduelles issues de l’industrie agroalimentaire représente un défi
important qui s’inscrit dans l’optique de réduction du gaspillage alimentaire. Une des solutions innovantes
permettant de relever ce défi est le surcyclage de ces matières organiques par les insectes et leur transformation
en protéine entomologique utilisable en alimentation animale. Le présent projet vise à améliorer l’efficacité des
mouches soldat noires, une des espèces d’insectes les plus utilisées à cette fin, à convertir les déchets organiques
en protéine entomologique par une approche de sélection génétique. Ce projet dotera Entosystem, un leader du
secteur de production d’insectes, de populations génétiques de mouches soldat noires plus performantes en
matière de bioconversion ce qui se traduira par un meilleur positionnement de l’entreprise sur le marché. Enfin,
ce projet permettra au stagiaire qui le réalisera de développer des connaissances et des compétences de pointe
en génétique des insectes et en production d’insectes plus globalement.