Innovative Projects Realized

L2M – AI-optimized RF energy harvesting and Simultaneous Wireless Information and Power Transfer (SWIPT) platform

Ocean technology companies and research organizations rely on autonomous sensors, buoys, and communication nodes to monitor marine environments and support offshore operations. While these devices provide essential data, their dependence on batteries creates high servicing costs, logistical challenges, and limited deployment lifetimes in harsh marine conditions. Overcoming these limitations is critical for enabling sustainable, long-term ocean monitoring.
This project will develop a wireless RF energy harvesting and Simultaneous Wireless Information and Power Transfer (SWIPT) system tailored for marine applications. By delivering both power and data wirelessly, the approach aims to eliminate battery dependence, reduce costs, and enable continuous, scalable sensor operation. Unlike incremental improvements in battery technology, this solution offers a transformative approach to powering remote ocean platforms.
The research objectives are fourfold: (1) model and simulate RF energy harvesting and SWIPT systems; (2) design machine learning algorithms for adaptive impedance matching, beamforming, and scheduling; (3) integrate RF and ML simulations to test system performance under dynamic marine conditions; and (4) validate the framework using representative marine sensor case studies. In parallel, the project will explore biodegradable housing materials to reduce environmental impact and align with sustainability goals.
By combining RF engineering, AI-driven optimization, and application-focused validation, the project will deliver a proof-of-concept system that advances ocean monitoring capabilities. The outcomes are expected to reduce operational costs, extend device lifetimes, and strengthen Canada’s leadership in ocean innovation, supporting applications in fisheries, offshore energy, and climate research.

L2M –Next-Generation Marine and Offshore Components via Canadian High-Entropy Alloys and Laser Powder Bed Fusion (LPBF)

This project focuses on developing next-generation marine and offshore components using high-entropy alloys (HEAs) derived from Canadian resources and manufactured through Laser Powder Bed Fusion (LPBF), an advanced metal additive manufacturing technology. The marine and offshore oil and gas industries operate in some of the world’s most corrosive and mechanically demanding environments, where corrosion, fatigue, and biofouling severely limit component lifetimes and drive up maintenance costs. Conventional materials, including stainless steels, bronzes, and nickel alloys, offer only partial solutions and cannot meet the complex design and durability requirements of modern marine systems.

To address these challenges, this project introduces a two-stage innovation framework. The first stage focuses on designing HEAs using strategic Canadian elements, niobium (Nb), aluminum (Al), copper (Cu), and iron (Fe), to achieve outstanding resistance to corrosion, fatigue, and biofouling. These alloys are engineered at the microstructural level to withstand harsh seawater exposure, reduce maintenance intervals, and improve energy efficiency. The second stage leverages LPBF additive manufacturing to fabricate intricate geometries such as pump blades, valve housings, impellers, and fluid-handling components that are impossible to produce by traditional methods.

The integration of HEA alloy design with LPBF manufacturing will establish a Canadian-led innovation framework that links domestic materials resources with advanced manufacturing expertise. This project not only addresses critical needs in marine and offshore industries but also strengthens Canada’s position in the global blue economy by developing sustainable, high-performance solutions from homegrown materials. The outcomes, optimized alloy compositions, validated manufacturing parameters, and demonstrated prototypes, will provide a foundation for future industrial adoption, supporting Canada’s economic growth, technological leadership, and environmental resilience.

Analyse et traitement de nuages de points massifs sur GPU

Ce projet de recherche vise à améliorer le traitement des données 3D produites par des capteurs comme le Lidar, utilisés pour cartographier des environnements en haute précision. Ces capteurs génèrent des milliards de points, appelés nuages de points, qui sont aujourd’hui difficiles à analyser rapidement et efficacement.
L’objectif est de développer des outils capables de traiter ces données en temps quasi réel, directement pendant leur acquisition, grâce à la puissance des cartes graphiques (GPU). Cela permettrait d’accélérer les processus industriels, de réduire les coûts et d’améliorer la qualité des résultats, même avec des données incomplètes ou bruitées. Le projet est centré autour du recrutement de Léo Arnal–Anger, doctorant à l’Université de Toulouse, qui effectuera un stage à l’Université de Sherbrooke. Il sera encadré par deux professeurs, experts en géométrie 3D et en calcul haute performance. Ensemble, ils développeront des algorithmes innovants et publieront leurs résultats dans des journaux scientifiques de premier plan. Ce projet renforce la collaboration entre les laboratoires STORM (France) et SHERGRAPH (Canada), tout en formant un jeune chercheur dans un domaine technologique en pleine expansion. Il ouvre la voie à des applications concrètes dans les villes intelligentes, la préservation du patrimoine et l’ingénierie des infrastructures.

Building a comprehensive online library of various state-of-the-art algorithms in network science

The study of complex systems using networks has become a central theme across disciplines, from social sciences and economics to biology and information systems. Graph theory, which models entities as nodes and their pairwise relations as edges, has provided a powerful framework for analyzing such systems. Graph-based methods have enabled advances in tasks such as community detection, link prediction, and anomaly detection.

The main objective of the internship is to develop and expand a comprehensive online library that consolidates algorithms for mining graphs and hypergraphs, with the focus on synthetic graphs and hypergraphs. This platform will function as a central resource for researchers and practitioners, improving usability, reproducibility, and collaboration across the community.

Financializing Justice? The Politics of Climate Finance in Colombia’s Energy Transition

This project explores how countries are managing the shift from fossil fuels to clean energy, with a focus on just energy transitions that aim to provide an equitable transition for workers and local communities. The research focuses on Colombia’s national state-led just transition plan. By conducting on-the-ground fieldwork, the project will examine whether the financial models used in the just transition plan lead to fair outcomes for local communities, particularly those in areas reliant on coal. The insights gained from this study will help inform better policies that promote equitable and democratic energy systems. This research will also establish a new, long-term partnership between Queen’s University and the Universidad Nacional de Colombia, enabling future collaborations on critical global climate challenges.

Map Data Analysis for Lawn Service Optimization

This research investigates the fusion of multi-source geospatial data to overcome key scaling limitations in automated property assessment. The primary research problem addresses object occlusion in satellite imagery, where features can obscure ground-level surfaces and prevent accurate area measurement. We propose and evaluate a novel machine learning approach that geometrically fuses satellite imagery with ground-level street views, when applicable. A semantic segmentation model will be trained on this data representation to better compute residential lawns and driveways, with the hypothesis that this approach will showcase significantly higher accuracy than analysis from a single data source.

A secondary research objective explores the development of a trustworthy AI agent for data enrichment. We will construct a system that integrates the new geospatial measurements with historical data using a Retrieval-Augmented Generation (RAG) framework. This grounds a Large Language Model in a factual knowledge base, while rule-based guardrails further constrain its output. The efficacy of the system will be validated through quantitative metrics, including Intersection over Union (IoU) for segmentation performance and consistency evaluations for the LLM agent, contributing a methodology for both applied computer vision and controllable AI systems.

Macro and micronutrient measurements in hydroponics

Environmental conditions (temperature, humidity, light, air movement, CO2 and nutrient levels) are carefully monitored in controlled environment agriculture (CEA) to optimize indoor crop production. Irrigation management is prioritized to ensure nutrient availability to plants, water use efficiency, prevent plant nutrient diseases, maximize crop yield and boost desired phytochemical profiles for a given crop. Automated irrigation systems conventionally used in the commercial and legal indoor production of cannabis (Cannabis sativa), but often estimate nutrient content from electrical conductivity and pH readings. Real-time and accurate ion-specific electrode (ISE) measurements could revolutionize fertilizer use and recycling in closed loop systems, but these technologies require more scientific backing and in situ testing before they are confidently incorporated by industry. To avoid costly and time-consuming analyses for fertigate and plant tissue, modified protocols with colorimetric aquarium and water test kits have been proposed. A comparative investigation of commercially available kits and ISEs for determining content in hydroponic solutions will be conducted in a laboratory setting as part of this grant.

Caswil – Classification automatique des demandes de services en soins à domicile à partir de texte libre

Caswil – Classification automatique des demandes de services en soins à domicile à partir de texte libre
(1) Principales activités du partenaire :
Caswil est une entreprise spécialisée en services-conseils dans le domaine des technologies de l’information, notamment en migration et transformation de données et développement logiciel.
(2) Défis :
Caswil accumule des données textuelles rédigées/enregistrées par les intervenants au cours d’échanges avec les patients depuis des années.
Caswil désire tirer parti de cette source d’information potentiellement très utile qui permettrait de mieux répondre aux soins des patients quelques soit l’intervenant impliqué. Ainsi Caswil désire automatiser la lecture et l’analyse des données en concevant un système basé sur l’IA qui en permettrait la
classification. Les demandes des aînés en soins à domicile sont formulées de manière libre, souvent orale ou écrite sans structure. Leur catégorisation manuelle prend du temps et est sujette à des erreurs humaines.
Le projet vise à automatiser cette classification.
Pour accomplir ce projet, le stagiaire sera chargé de:
? Convertir en texte les notes enregistrées et les ajouter aux conversations écrites.
? Expérimenter des approches non-supervisées pour définir les labels et données.
? Développer un système de classification de texte utilisant le few-shot learning pour identifier les services nécessaires à partir de descriptions de demandes exprimées par les patients ou notées par les infirmières.
? Explorer les solutions NLP et LLM pour identifier automatiquement les classes.

Intact : Preuve de concept des méthodes Policy Gradient ou Actor-Critic pour l’ajustement des primes et l’estimation de la valeur future des clients

Intact : Preuve de concept des méthodes Policy Gradient ou Actor-Critic pour l’ajustement des primes et l’estimation de la valeur future des clients
Principales activités du partenaire :
Intact Assurance est la plus importante société d’assurance automobile, habitation et entreprises au pays ainsi que le choix de plus de quatre millions de consommateurs.
Problématique et avantages escomptés du projet :
L’approche actuelle de tarification repose sur l’apprentissage par renforcement (RL) séquentiel avec une méthode Monte Carlo (MC). Cette méthode, de type value-based, présente certaines limites : elle nécessite des trajectoires complètes pour mettre à jour la politique et s’appuie uniquement sur l’historique des observations.
Ce projet vise à explorer des algorithmes plus avancés, notamment les méthodes basées sur le gradient de politique (Policy Gradient) et les architectures de type acteur-critique (Actor-Critic), afin de mieux gérer des environnements stochastiques et d’adopter une vision à long terme. Ces approches permettraient d’estimer plus précisément la valeur terminale d’un client, puis de construire une politique de tarification plus dynamique et proactive.
L’objectif général du projet est de produire une preuve de concept démontrant que les méthodes de type
Policy Gradient ou Actor-Critic permettent, grâce à des mises à jour incrémentales et à l’utilisation du bootstrap, d’ajuster plus efficacement les primes au fil du temps, tout en fournissant une estimation de la valeur future des clients.

CAIJ: Extraction de Domaines et Sous-Domaines de Droit

CAIJ: Extraction de Domaines et Sous-Domaines de Droit
Principales activités du partenaire :
Le Centre d’accès à l’information juridique (CAIJ) cherche à renforcer ses capacités d’indexation et de classification automatique des jugements. L’objectif de ce projet est d’extraire, à partir du texte intégral des jugements, les domaines de droit (ex. : Famille, Fiscal, Administratif) et leurs sous-domaines (ex. : Pension alimentaire, Patrimoine familial, Divorce, etc.). Le stagiaire travaillera sous la supervision du Lead IA. Il bénéficiera d’un accès aux ressources GPU, corpus annoté, documentation d’indexation, il y aura un suivi hebdomadaire et des réunions de partage des bonnes pratiques dans un environnement hybride propice à l’innovation en IA juridique.
Problématique et avantages escomptés du projet :
Le CAIJ possède aujourd’hui plus de 4 millions de décisions (fédérales, provinciales et administratives). Pour offrir une recherche toujours plus fine, nous devons rattacher chaque jugement à notre taxonomie interne, une arborescence d’une cinquantaine de domaines et ~150 sous-domaines (ex. Droit de la famille ? Garde et droits d’accès). Jusqu’ici, ce travail d’indexation pour les jugements est inexistant puisque le volume croissant des décisions (˜ 10 000 nouvelles par mois) est ingérable manuellement. Ce projet appelle une solution scalable et robuste. Il est à noter que c’est un projet de classification multi-classe hiérarchique, puisqu’un jugement peut avoir plusieurs domaines et sous-domaines de droit. Les pistes de solutions et leurs retombées sont :
– explorer les solutions NLP et LLM pour identifier automatiquement les domaines et sous-domaines juridiques dans les jugements;
– expérimenter tant des approches non-supervisées (prompts, heuristiques, clustering) que supervisées (modèles hiérarchiques entraînés sur nos annotations);
– valider les résultats via des métriques (précision, rappel, F1) et communiquer les progrès lors de points réguliers;
– assembler puis documenter un pipeline reproductible et former l’équipe interne à son utilisation.

CAIJ: Encodeur sémantique juridique franco-québécois

CAIJ: Extraction de Domaines et Sous-Domaines de Droit
Principales activités du partenaire :
Le Centre d’accès à l’information juridique (CAIJ) souhaite renforcer son moteur de recherche en y intégrant des techniques avancées de recherche sémantique. L’objectif de ce projet est d’encoder de façon sémantique tous les contenus textuels du CAIJ pour améliorer son moteur de recherche actuel ainsi que la découverte du contenu. Le stagiaire sera intégré à l’équipe IA du CAIJ. Il bénéficiera d’un accès aux ressources GPU, corpus annoté, documentation d’indexation, il y aura un suivi hebdomadaire et des réunions de partage des bonnes pratiques dans un environnement hybride propice à l’innovation en IA juridique.
Problématique et avantages escomptés du projet :
Bien que le CAIJ dispose d’un corpus de données à très forte valeur ajoutée, il n’est pas directement utilisable pour le moment. Le stagiaire devra donc participer à la préparation et au nettoyage de ce corpus afin d’obtenir le meilleur encodeur juridique franco-québécois. Pour ce faire, le stagiaire sera chargé de :
– Explorer les encodeurs existants pour mettre en place d’un pipeline d’encodage à grande échelle sur noscontenus (jugements, articles, doctrine);
– Valider la pertinence des embeddings via des métriques classiques (cosine similarity, clustering, etc.);
– Spécialiser un encodeur sur notre corpus québécois francophone;
– Créer un benchmark d’évaluation de recherche d’information.

Ventus Analytique Inc. BSI Proposal – Wind Data

Ventus Analytiques Inc. is a Canadian technology company specializing in offshore data systems and analytics, with a focus on marine environmental monitoring and renewable energy. As the company scales its operations and prepares for international deployments, there is a growing need for a cohesive cloud infrastructure and data operations strategy that can support a global fleet of remote sensing platforms. Aligning these capabilities with long-term product direction is critical to ensure scalability, competitiveness, and service reliability.

This project goes beyond day-to-day business operations by focusing on the design of future-ready infrastructure that will support strategic commercialization initiatives, increase efficiency, and reduce operational risk. Solving this challenge requires expertise in cloud architecture, systems design, and the ability to connect technical solutions to strategic goals.