Concours

Scientific poster competition

P2 – Chipless RFID Antenna Sensors for Wireless Environmental Monitoring
par Azadeh Ahmadihaji, ETS

P3 – Machine Learning based Memory Load Approximation
par Alain Aoun, Concordia

P4 – First-Ever Integration of Ionic Liquid Crystal Elastomers (iLCEs) For biomedical Microelectromechanical (MEMS) Transducers
par Elaheh Asgari, ETS

P5 – Design and development of MEMS resonators for timing applications
par Suaid Tariq Balghari, ETS

P6 – Formal Analysis of Traffic Conflicts Severity using KeYmaera
par Oumaima Barhoumi, Concordia

P7 – A Novel Lightweight Attention-Guided Network with Feature Recalibration
for Robust Multiple Modalities Medical Image Segmentation
par Subrato Bharati, Concordia

P8 – Rendre les détecteurs monophotoniques tolérants aux radiations pour les applications spatiales
par Jérémy Chenard, U. Sherbrooke

P9 – Électronique haute vitesse appliquée aux systèmes de télécommunications quantiques
par Thimoté Desroches, ETS

P10 – FeedbackFormer: A Deep Image Super Resolution Network for Nearest Neighbor Degradation Process using Feedback Transformer-based Neural Networks
par Saymon Fahad, Concordia

P11 – OODFusion: A Deep Diffusion-based Blind Image SuperResolution Scheme using Out-of-distribution Detection andControllable Sampling Process
par Sepehr Ghamari, Concordia

P12 – GeoCurv: A Curvature-Based Framework for Geometrically Robust Point Cloud Processing
par Sina Ghofrani Majelan, Concordia

P13 – Exploring the Effects of Design Parameters on Losses in Capacitive Micromachined Ultrasonic Transducers
par Chirag Goel, ETS

P14 – Rotary MEMS Actuators
par Navid Heidari, ETS

P15 – Design and fabrication of a microfluidic – based wearable sweat sensor for measurement of cortisol
par Mohsen Jamshidiseresht, ETS

P16 – AI-Driven closed-loop HIL Simulation on FPGA for Comprehensive ABS ECU Testing
par Farshideh Kordi, ULaval

P17 – Dynamic Beam Steering Using Photo-Induced Surface
par Zahra Sepehri, ETS

P18 – Capacitive Micromachined Ultrasonic transducer (CMUT) for communication systems
par Issam Skounti, UQAC

P19 – PathoGen: A Generative Diffusion-Based Framework for Domain Generalization in Histopathology Image Analysis
par Parastoo Sotoudeh Sharifi, Concordia

P20 – Improving the Quality Factor of a MEMS Resonator in Air and Vacuum Environments
par Mirmaghsoud Tabatabaei Asl, ETS

P21 – F-shape-based Classification Scheme for Detection of Multiple Sclerosis
par Homa Tahvilian, Concordia

P22 – Un ADC delta-sigma SMASH basse puissance avec une bande passante de 500 kHz et un SNDR de 90 dB
par Antoine Verreault, UQAC

P23 – Graphene-Based Fiber Gas Sensors
par Susanna Vu, ETS

P24 – A Computation-Efficient CNN System for High-QualityLungNodule Detection
par Yijian Zhao, Concordia

Phc – Conception et fabrication d’un SPAD Ge/Si par réutilisation d’une membrane de germanium flexible
par Jérôme Deshaies, U. Sherbrooke

P2 – Chipless RFID Antenna Sensors for Wireless Environmental Monitoring
par Azadeh Ahmadihaji, ETS

Chipless Radio Frequency Identification (RFID) sensors offer a promising solution for wireless, battery-free sensing in various environmental and industrial applications. Unlike conventional sensors, chipless RFID sensors operate without integrated circuits, making them cost-effective, lightweight, and highly flexible. This research explores the application of chipless RFID sensors for realtime monitoring of temperature, humidity, and gas concentration levels. These sensors utilize passive resonators that respond to environmental changes, allowing for accurate and remote data acquisition. By leveraging advanced material coatings and electromagnetic responses, chipless RFID sensors can detect variations in physical and chemical parameters, providing a reliable alternative to traditional sensing methods. Their wireless nature enables seamless integration into smart cities, industrial safety systems, and environmental monitoring networks. The incorporation of machine learning algorithms enhances data analysis, enabling predictive maintenance and anomaly detection. With advantages such as low-cost fabrication, scalability, and minimal power requirements, chipless RFID sensors present a sustainable and innovative approach to modern sensing challenges.

P3 – Machine Learning based Memory Load Approximation
par Alain Aoun, Concordia

Approximate computing (AC) has gained traction as an alternative computing method for energy-efficient processing. We propose the exploitation of AC to address the memory wall. The proposed model predicts the memory load value using machine learning (ML). Subsequently, the ML model is a load value approximator (LVA) where the generated value is accepted as-is. The proposed LVA can be deployed in off-the-shelf hardware using a software integration or in new hardware by adding a set of read only memories (ROMs) to be used as a lookup tables by the LVA. The proposed LVA was trained using image from the flowers dataset and the set of audio from Babylon5. Thereafter, the LVA was tested under various approximate conditions, where 50% to 95% of the load instructions were approximated using a set of multimedia applications. The memory access operation using the proposed LVA was more than 6x faster in multiple cases. The peak signal-to-noise ratio (PSNR) exceeded 100 db in several scenarios. The average normalized mean absolute error (NMAE) was 6.17%.

P4 – First-Ever Integration of Ionic Liquid Crystal Elastomers (iLCEs) For biomedical Microelectromechanical (MEMS) Transducers
par Elaheh Asgari, ETS

Microelectromechanical Systems (MEMS) are essential for modern technology, enabling miniaturized, cost-effective, and high-performance devices across healthcare, IoT, aerospace, and energy sectors. However, traditional MEMS materials like silicon and ceramics suffer from rigidity and high fabrication costs, limiting their flexibility and expansive motion capabilities. Soft MEMS alternatives often face challenges such as high actuation voltages, increased power consumption, and difficulties in balancing flexibility with performance. This research pioneers the integration of ionic liquid crystal elastomers (iLCEs) into MEMS sensors and actuators for the first time. iLCEs leverage electrically induced mass transport of ions to generate significant shape deformations, offering low-power actuation (~1V), high strain (>50%), self-healing capabilities, and superior sensitivity due to their high flexo-ionic coefficient. These properties position iLCEs as a transformative material for biomedical MEMS applications. The project consists of three key phases: (1) developing an aligned LCE as a foundation for iLCE synthesis, (2) fabricating and integrating iLCEs into a MEMS cantilever, and (3) designing an iLCE-based MEMS pressure sensor. This research aims to establish a scalable MEMS fabrication process for soft sensors and actuators, setting the stage for future biomedical applications of iLCE-based MEMS technologies.

P5 – Design and development of MEMS resonators for timing applications
par Suaid Tariq Balghari, ETS

This project addresses the limitations of conventional thin-film piezoelectric on silicon (TPoS) MEMS resonators by integrating mechanical mode coupling in a tank configuration. This innovative approach has successfully elevated the unloaded quality factor (Qul) values to 46,503 in vacuum and 19,338 in air. Recent studies have focused on mode-coupled, piezo-driven single crystal silicon (SCS) resonators to address the reduced quality factor (Q) values typically associated with TPoS resonators. For instance, a scandium-aluminum nitride (ScAlN) thin-film beam, coupled to SCS Lame modes was presented, Similar topology with analytical design formulation was presented to complement their related works presented elsewhere utilizing similar methodology. This work strives to further this concept by investigating mode-coupling targeted design considerations, leading to the exploitation of otherwise high anchor loss breathing and shear modes for increasing the Q of a central transducing tank. The tank modes compared in this work include the higher wine glass (HWG) and the novel button-like (BL) modes excited in a disk-shaped silicon structure with a 10 µm device layer along with the transducing AlN and aluminum electrodes in a differential transduction scheme. This central TPoS tank has been extended with 4 SCS disks along the crystallographic axes. The structure is fabricated through a low-cost commercial technology.

P6 – Formal Analysis of Traffic Conflicts Severity using KeYmaera
par Oumaima Barhoumi, Concordia

Crash data is often unreliable for traffic safety evaluation due to its scarcity, while simulation-based methods lack confidence in safety assessment. To address this, we employ formal verification using the KeYmaera theorem prover and differential Dynamic Logic (dL) for a rigorous analysis of traffic conflicts. We define a traffic safety property based on Traffic Conflict Techniques (TCTs), including time-to-collision (TTC), space headway (SHW), shockwave speed (SWV), extended delta-V (ΔV), and deceleration rate, along with evasive action indicators such as jerk profile and yaw rate. Real-world validation is conducted using SUMO and Mathematica, where safety violations are detected, and vehicle speeds are dynamically adjusted. After applying these updates, we observe increased TTC and SHW, indicating improved safety and a reduced likelihood of collisions. These findings highlight the potential of adaptive traffic management systems in enhancing transportation safety and efficiency, demonstrating the effectiveness of formal verification in real-world traffic scenarios.

P7 – A Novel Lightweight Attention-Guided Network with Feature Recalibration for Robust Multiple Modalities Medical Image Segmentation
par Subrato Bharati, Concordia

Medical image segmentation remains a critical task in computer-aided diagnostics, requiring accurate detection and isolation of areas that are affected by diseases for effective clinical decision-making. The integrated novel data augmentation strategies improve robustness to variations in different modalities medical images. This paper proposes a novel lightweight network called LASegNet, that integrates advanced feature recalibration techniques, and attention mechanisms to address the challenges of medical image segmentation. Our network comprises three key stages, such as an encoder for feature extraction, a central block for refining high-level representations, and a decoder that progressively restores the spatial resolution. Moreover, we propose a novel optimizer and a novel loss function, which together enhance model convergence and segmentation performance in terms of several performance metrics. We train, evaluate, and extensively test that of our trained model on different modalities of six publicly available challenging medical imaging datasets. In each dataset, the proposed method demonstrates superior performance, significantly reducing training and validation loss while maintaining strong generalization across diverse imaging modalities. Experimental results show that our network outperforms existing state-of-the-art segmentation networks, providing more accurate and reliable results. This work also introduces a robust, highly scalable network architecture that effectively addresses the complexities of medical image segmentation.

P8 – Rendre les détecteurs monophotoniques tolérants aux radiations pour les applications spatiales
par Jérémy Chenard, U. Sherbrooke

Le groupe de recherche en appareillage médical de Sherbrooke de l’Université de Sherbrooke développe un nouveau capteur destiné à la distribution quantique de clefs dans l’intention de l’intégrer dans le satellite QEYSSat 2.0. Ce capteur est un détecteur monophotonique en intégration 3D, conçue avec la technologie CMOS en 65 nm. Le satellite, positionné en orbite, sera confronté à divers défis environnementaux, dont la radiation. Les rayonnements ionisants proviennent principalement de trois sources : les ceintures de Van Allen, les rayonnements solaires et les rayonnements cosmiques galactiques. Ces rayonnements sur le circuit intégré peuvent provoquer des effets parasites à court terme (effets non récurrents) et à long terme (effet de dose cumulée) pouvant affecter son fonctionnement jusqu’à l’arrêt du circuit. Ce projet vise à identifier les effets parasites problématiques à la technologie utilisée et les méthodes de mitigation possible afin de les contrer. Ces techniques sont comparées selon leur surface occupée, leur vitesse de fonctionnement et leur consommation additionnelle au circuit original. De plus, ce projet convoite à concevoir des circuits capables de tolérer ces rayonnements ionisants et d’effectuer une analyse de la durabilité du capteur dans l’environnement spatial. L’objectif principal est de réduire les effets de la radiation en appliquant des méthodes de mitigations adaptées à l’environnement spatial opérant aux orbites terrestres basses et moyennes.

P9 – Électronique haute vitesse appliquée aux systèmes de télécommunications quantiques
par Thimoté Desroches, ETS

Les réseaux photoniques quantiques offrent des perspectives révolutionnaires pour les télécommunications sécurisées et le traitement de l’information, mais leur interfaçage avec l’électronique classique représente un défi majeur. Ce projet vise à concevoir, prototyper et caractériser des circuits électroniques à haute vitesse spécifiquement dédiés à ces systèmes. L’un des objectifs principaux de cette recherche est le développement d’un Time-to-Digital Converter (TDC) sur FPGA avec une précision sub-picoseconde et stable. Ce TDC jouera un rôle clé dans la synchronisation des signaux quantiques et classiques, une exigence fondamentale pour garantir des performances optimales dans les réseaux photoniques quantiques. L’architecture du TDC sera optimisée pour minimiser le bruit de phase et le jitter, tout en maintenant une grande résolution temporelle. Ce travail s’appuie sur l’expertise du professeur Richard Al Hadi en systèmes silicium haute vitesse et vise à repousser les limites des circuits électroniques appliqués aux communications quantiques.

P10 – FeedbackFormer: A Deep Image Super Resolution Network for Nearest Neighbor Degradation Process using Feedback Transformer-based Neural Networks
par Saymon Fahad, Concordia

Deep neural networks have provided the state-of-the-art performances for the task of image super resolution. Most of the existing architectures for deep image super resolution networks are trained with the images that are degraded with the bicubic downsampling operation. In this paper, we observe that when the existing state-of-the-art deep neural networks are trained with the images that are obtained using nearest neighbor downsampling operation, they cannot provide satisfactory performances. We argue that this happen since the state-of-the-art deep super resolution networks cannot effectively suppress the ringing and jagging artifacts present in the input low-resolution images produced by the nearest neighbor downsampling. In order to address this, we propose a novel deep super resolution network, that by leveraging the prior knowledge of digital visual signal processing, it is able to enhance the quality of images produced by nearest neighbor downsampling. The proposed scheme fuses interpolated images with suppressed artifacts that are obtained from Fractional Fourier Transform (FrFT)-based interpolation operations, and use them in the architecture of a feedback transformer-based neural network, for providing high-quality images. The results of various studies show the effectiveness of the ideas employed in the design of our super resolution network.

P11 – OODFusion: A Deep Diffusion-based Blind Image SuperResolution Scheme using Out-of-distribution Detection andControllable Sampling Process
par Sepehr Ghamari, Concordia

Image super-resolution aims to enhance the spatial resolution of degraded low-quality images and improve their visual quality. Since the image degradation process is often unknown in real-world scenarios, the task of Blind Super Resolution (BSR) has recently gained significant attention in the literature. Diffusion models have revolutionized the BSR task due to their remarkable ability to generate realistic textures and structures. However, most existing approaches could only handle degraded visual signals produced by a set of known degrading operations used during network training. Consequently, their performance drops significantly when applied to real-world degradations not encountered during training. In this regard, we propose a novel approach that leverages the concept of out-of-distribution(OOD) detection and processing to perform efficient super-resolution on both known degradations from the training set and unseen real-world degradations. Our proposed scheme employs the concept of Decomposed Confidence for OOD detection. Additionally, We claim that by using a controlled noise map during the diffusion process, OOD data can be effectively managed to produce high-quality results. Experimental results demonstrate the effectiveness of the proposed method, outperforming state-of-the-art approaches across multiple benchmark datasets.

P12 – GeoCurv: A Curvature-Based Framework for Geometrically Robust Point Cloud Processing
par Sina Ghofrani Majelan, Concordia

Curvature plays a crucial role in representing the geometric structure of 3D point clouds, but its continuous and often unbounded nature makes it challenging for deep learning models to process effectively. This paper introduces a novel framework, GeoCurv, that addresses these challenges by transforming curvature prediction into a classification task using smoothed, binned histograms. By representing curvature values in discrete bins, our method simplifies the learning process, reduces sensitivity to noise, and enriches the model’s understanding of 3D geometric structures. Moreover, we propose a curvature-based loss function specifically designed for skeleton prediction. This loss enforces geometric similarity between the input point cloud and the predicted skeleton by comparing their normalized curvature histograms, ensuring the preservation of essential structural features. Experimental results on downstream tasks, including classification and unsupervised skeleton prediction, demonstrate the effectiveness of our approach, achieving state-of-the-art performance in skeleton prediction.

P13 – Exploring the Effects of Design Parameters on Losses in Capacitive Micromachined Ultrasonic Transducers
par Chirag Goel, ETS

Capacitive Micromachined Ultrasonic Transducers (CMUTs) are critical components in a variety of applications, from medical imaging to non-destructive testing. The performance of these devices is heavily influenced by their design parameters, which can significantly affect efficiency and signal integrity. This study explores the impact of key design considerations, such as anchor type and connecting arm type, on the losses within CMUTs. The relationship between these factors and their effects on mechanical and electrical losses is examined, with a focus on optimizing the trade-offs between performance and power efficiency. Through a combination of theoretical analysis and experimental data, this research highlights the importance of precise design in minimizing energy losses while maintaining high sensitivity and resolution. Understanding these design effects is crucial for advancing CMUT technology and ensuring its reliability in real-world applications.

P14 – Rotary MEMS Actuators
par Navid Heidari, ETS

Optical switches play a critical role in optical communication systems, meeting the growing demand for high-speed data transfer. Among optical switches, micro-optoelectro-mechanical system (MOEMS) switches stand out for their reconfigurability and broadband capability, making them well-suited for applications in data centers. In this article, we present a novel 1×5 rotary MOEMS switch actuated by an electrostatic combdrive for optical networking. The rotary in-plane platform is integrated with silicon nitride (SiN) waveguides, enabling the switch to operate across a broad spectral range in both polarizations. Experimental results demonstrate that the switch platform achieves a rotation of 2.6° in the counterclockwise direction and 2.9° in the clockwise direction, covering 5 waveguides, with a measured average power loss of -5.57 dB across all channels over the spectrum of 1540 nm to 1625 nm.

P15 – Design and fabrication of a microfluidic – based wearable sweat sensor for measurement of cortisol
par Mohsen Jamshidiseresht, ETS

Wearable technologies are revolutionizing healthcare by enabling continuous biomarker monitoring, offering real-time insights into an individual’s health. This research focuses on developing a non-invasive wearable sensor for cortisol detection through sweat analysis. Cortisol, a crucial psychobiological biomarker, plays a key role in stress responses and psychological disorders. Conventional detection methods, such as blood tests, are invasive and unsuitable for real-time monitoring. Sweat provides a promising alternative due to its non-invasive nature and correlation with blood cortisol levels. However, detecting lowconcentration biomarkers like cortisol requires highly sensitive and selective approaches. This study addresses these challenges by employing an electrolyte-gated field-effect transistor (EGFET) with carbon nanotubes (CNTs) as the channel material, functionalized with aptamers for enhanced selectivity. Binding cortisol to aptamers induces a change in the number of charge carriers in the CNT channel, leading to variations in the drain-source current, which enables highly sensitive detection. The proposed sensor integrates a flexible microfluidic system that ensures a continuous flow of fresh sweat to the detection unit, improving measurement accuracy. This innovative system enables real-time monitoring of psychobiological states, such as stress, anxiety, and depression, through non-invasive wearable technology, advancing personalized healthcare applications.

P16 – AI-Driven closed-loop HIL Simulation on FPGA for Comprehensive ABS ECU Testing
par Farshideh Kordi, ULaval

The Anti-lock Braking System (ABS) Electronic Control Unit (ECU) plays a critical role in vehicle stability and safety. Hardware-in-the-Loop (HIL) simulation is an effective tool for ECU testing and validation, evaluating security features, andanalyzing desired system behavior by replicating real-world conditions and challenges faced by vehicle subsystems such as braking, suspension, and steering. However, traditional HIL simulation techniques often struggle to keep pace with the increasing complexity of modern vehicles. The growing interconnection between ECUs, driven by the rising number of these units, creates challenges in achieving comprehensive test coverage, ultimately limiting the effectiveness of ECU functional development. This research introduces a novel AI-based closed-loop HIL simulation on FPGA to facilitate comprehensive ABS ECU testing. The proposed framework provides a dynamic and adaptive testing environment that effectively replicate intricate scenarios by considering real-time dynamics and environmental variability. A Temporal Convolutional Network (TCN) enhances the predictive capabilities of the simulation that can enables accurate prediction of system behavior based on historical data. In addition, the FPGA implementation provides low-latency, highspeed processing for intensive testing. This platform enhances vehicle system reliability by enabling proactive safety improvements and accurately simulating scenarios that are challenging to replicate through traditional field testing.

P17 – Dynamic Beam Steering Using Photo-Induced Surface
par Zahra Sepehri, ETS

This system presents a photo-induced surface for dynamic beam steering within the Ka-band (26.4–40 GHz). A Fresnel Zone Plate (FZP) pattern is designed and projected onto a commercially available solar cell using a programmable light projector, enabling ±15° beam control through spatial modulation of electromagnetic waves. By selectively photo-exciting the semiconductor, the refractive index is locally altered, allowing controlled attenuation and reflection of millimeter wave (mmWave) signals. Experimental validation with a WR-28 waveguide and horn antennas confirms strong agreement with simulations, demonstrating the feasibility of this cost-effective, reconfigurable beam-steering method. The surface requires no additional surface engineering and incorporates a polarization-selective metal layer at the back of the surface.

P18 – Capacitive Micromachined Ultrasonic transducer (CMUT) for communication systems
par Issam Skounti, UQAC

This work presents the design, simulation, fabrication, and characterization of a Capacitive Micromachined Ultrasonic Transducer (CMUT) chip for ultrasonic communication systems. Specifically, the chip consists of multiple CMUTs with membranes of different radii to inherently provide a shift in resonant frequencies. In addition, this frequency diversity is further enhanced through DC bias voltage control to allow dynamic tuning and optimization of signal transmission. To ensure an accurate assessment of the transducer’s performance, both analytical modeling and finite element simulations using COMSOL are conducted to evaluate its multiphysics behavior, including resonance characteristics. Furthermore, the chip is fabricated using the PolyMUMPS process to ensure precise membrane dimensions and uniformity. Experimental validation is then carried out to confirm its capability to support Orthogonal Frequency Division Multiplexing (OFDM)-based communication. More importantly, by enabling real-time frequency adjustments, this tunability not only enhances data transmission efficiency but also contributes to channel equalization to compensate for frequency-dependent propagation effects and mitigate Inter-Symbol Interference (ISI). Overall, these results demonstrate that CMUT technology is a promising candidate to enable high-data-rate ultrasonic communication with improved adaptability and robustness.

P19 – PathoGen: A Generative Diffusion-Based Framework for Domain Generalization in Histopathology Image Analysis
par Parastoo Sotoudeh Sharifi, Concordia

In the field of medical image analysis, particularly histopathology, one of the most critical challenges is the generalization of deep learning models across different hospitals and laboratories. The variations in imaging equipment, staining protocols, and tissue preparation techniques often result in domain shifts, making it difficult for models trained on data from one domain to perform effectively on unseen domains. Addressing this challenge is essential for the reliable and consistent deployment of automated diagnostic tools in clinical settings. In this paper, we introduce PathoGen, a novel domain generalization framework designed to overcome these limitations by leveraging the power of diffusion models for synthetic data generation and domain interpolation in histopathology image analysis. Unlike conventional methods that struggle with capturing complex domain variations, PathoGen generates synthetic data that simulate realistic transitions between multiple domains, forming pseudo-domains, and giving us greater control over the generation process. Moreover, we incorporate CPLIP, a contrastive learning model tailored for histopathology images, to guide the filtering of synthetic samples. CPLIP ensures that only the most representative and challenging synthetic images, which span the feature space between multiple domains, are selected for training. This combination of diffusion-based synthetic data generation and CPLIP-guided filtering allows PathoGen to efficiently bridge the gap between source and unseen target domains, significantly enhancing the model’s ability to generalize to new data. Our method is evaluated on the Camelyon17 dataset, a benchmark for domain generalization in histopathology. The experimental results demonstrate that PathoGen achieves superior performance compared to state-of-the-art domain generalization techniques for histopathology image analysis, particularly in handling domain shifts and improving model robustness. The ability to generate and control domain-representative synthetic data gives PathoGen a unique advantage, providing a flexible and scalable solution for enhancing the generalization of histopathology image analysis models.

P20 – Improving the Quality Factor of a MEMS Resonator in Air and Vacuum Environments
par Mirmaghsoud Tabatabaei Asl, ETS

Microelectromechanical system (MEMS) resonators are widely used in timing references, sensors, and RF filters. Their performance is significantly influenced by energy dissipation, quantified by the quality factor (Q-factor). A major source of energy loss in out-of-plane MEMS resonators is air damping, where vibrating structures displace air molecules, leading to energy dissipation. While vacuum packaging effectively reduces air damping, it is costly and impractical for applications requiring operation in ambient conditions. This study explores an alternative approach using acoustic reflectors to mitigate air damping. By strategically placing a reflector near the resonator, acoustic waves generated during vibration are redirected, converting lost acoustic energy back into mechanical motion. Experimental results with an ultrasonic transducer at 37 kHz demonstrate a 44.2% increase in Q-factor and a 25.8% enhancement in peak magnitude. These findings suggest that acoustic reflectors offer a viable, cost-effective solution to improve MEMS resonator performance without the need for vacuum packaging.

P21 – F-shape-based Classification Scheme for Detection of Multiple Sclerosis
par Homa Tahvilian, Concordia

Optical coherence tomography (OCT) is an inexpensive, non-invasive tissue imaging technique that provides cross-sectional images of the retina using infrared light for tissue penetration. Multiple sclerosis (MS) is an inflammatory demyelinating autoimmune disorder affecting the central nervous system (CNS). The consequences of demyelination and subsequent axonal loss are manifested in thinning the retina layers. The purpose of this study is to use a functional shape (F-shape) framework and machine learning technique to detect MS disease by point-wise analysis of the thickness variations of the ganglion cell-inner plexiform layer (GCIPL) obtained from OCT images. Method: The OCT images of 37 healthy and 35 MS subjects from the macula region were obtained. Subsequently, F-shapes were formed for each subject by using the inner limiting membrane (ILM) surface as geometry and GCIPL thickness as function. The pointwise features were extracted by applying the F-shape framework on the OCT images, and these features were used to develop artificial neural network (ANN) and support vector machine (SVM) classifiers to distinguish MS subjects from healthy ones. The performances of these classifiers are compared with corresponding ANN and SVM classifiers developed based on the features obtained using the early treatment diabetic retinopathy Study (ETDRS) grid.

P22 – Un ADC delta-sigma SMASH basse puissance avec une bande passante de 500 kHz et un SNDR de 90 dB
par Antoine Verreault, UQAC

Cette affiche présente une nouvelle architecture d’ADC ΔΣ conçue pour rencontrer les exigences strictes de combiner un haut ratio signal sur bruit et distorsion (SNDR) à une bande passante modérée. Basée sur un ADC ΔΣ sturdy MASH avec un NS-SAR comme deuxième étage, l’architecture annule le bruit du premier étage par la propriété de feedforward inhérente du NS-SAR. L’étage du NS-SAR bénéficie également d’un relâchement significatif des contraintes de conception par le filtrage de bruit additionnel apporté par le premier étage, permettant de maximiser l’efficacité en puissance. Un amplificateur dynamique innovant est proposé pour optimiser le compromis taille/consommation de puissance dans le premier intégrateur du circuit. Les résultats de simulation démontrent d’excellentes performances avec une bande passante de 500 kHz et un SNDR de 90.3 dB à une consommation de puissance de 1.633 mW, résultant en une figure de mérite (FOMsc) très compétitive parmi les ADC ΔΣ SMASH de l’état de l’art à 175.2 dB.

P23 – Graphene-Based Fiber Gas Sensors
par Susanna Vu, ETS

Graphene-based materials have garnered interest as efficient sensing materials for gas sensors, demonstrating significant potential in medical applications for detecting biomarkers and serving as advanced tools for health monitoring and disease diagnosis. The distinct two-dimensional morphology of graphene, with its high surface area and continuous conductive network, is known to enhance the sensitivity of gas sensors by providing abundant active sites for gas adsorption and facilitating rapid electron transfer. Graphene fibers, formed by assemblies of graphene sheets into fibrous structures, have emerged as promising materials for gas sensor fabrication due to their exceptional electrical, chemical, and mechanical properties. Advantages of graphene fibers include their stability and tunability, allowing them to detect a broad spectrum of gases and making them highly versatile as sensing materials in gas-sensing applications. These graphene fibers leverage the exceptional sensitivity and selectivity of graphene with mechanical flexibility of fiber materials, enabling integration into wearable electronics and miniaturization of sensing devices. This work investigates graphene fibers for gas sensing applications and focuses on the preparation of these graphene-based composite fibers through fiber spinning techniques. The incorporation of graphene into polymeric or hybrid matrices provides sensing materials with enhanced gas adsorption and sensing performance that can be easily processable. Electrospinning enables the formation of ultrafine, uniform fibers, while wet-spinning offers control over fiber alignment and supports scalable production, enhancing the functional properties of the composite material. By tailoring the graphene dispersion, fiber morphology, and material composition, the resulting fiber sensors achieve improved stability, sensitivity, and selectivity. This study further presents the characterization of graphene-based composite fibers, emphasizing their electronic properties and structural morphology, which are critical to their performance in gassensing applications. This presentation also highlights the real-world practicality of graphene-based fiber sensors as advanced gas-sensing technologies, showcasing their ability to detect diverse biomarker gases and their potential in healthcare management for real-time monitoring.

P24 – A Computation-Efficient CNN System for High-QualityLungNodule Detection
par Yijian Zhao, Concordia

The work of this project aims at developing a CNN system of high computation efficiency for lung nodule detection. The detection task is performed by 2 simple CNN stages: Stage A for nodule candidate detection and Stage B for nodule recognition. The design of Stage A is focused on obtaining a high sensitivity to minimize the miss rate. It has a pre-processing block, a refinement block, and its main processing is done by a custom-designed CNN based on the Unet framework. Stage B, also a custom-designed CNN of simple structure, is made to identify true nodules from all the candidates given by Stage A. The identification is based on the data analysis results of nodule samples. We propose specifically 2 multi-branch feature extraction blocks to better handle the feature data of the nodules and their environments. The overall system has been tested with the dataset LUNA 16. Its results are as good as those given by CNN nodule detection systems reported recently. However, the proposed system requires, in total, only 0.7 M trainable parameters, which is a very tiny fraction of that needed by the others.

Phc – Conception et fabrication d’un SPAD Ge/Si par réutilisation d’une membrane de germanium flexible
par Jérôme Deshaies, U. Sherbrooke

Un enjeu spécifique existe au niveau de la détection infrarouge avec l’avènement de la technologie LiDAR. Un obstacle se dresse sur lechemin de la démocratisation complète et de l’ouverture du marché des détecteurs infrarouges, celui de la rareté des matériaux de base des technologies de détecteurs actuels (InP) : le phosphure d’indium. Non seulement celui-ci est un matériau rare, mais sa faiblesse structurelle lorsqu’en forme de gaufre (format utilisé dans l’industrie des semiconducteurs) ne permet pas de l’utiliser en grande surface; méthode traditionnelle de réduction des coûts et d’augmentation d’efficacité de fabrication. Une alternative à l’InP existe, soit les technologies à base de siliciumgermanium. Le silicium est effectivement le matériel de choix du monde de la micro-électronique, étant le plus répandu pour son faible coût et ses propriétés idéales pour une grande variété d’applications. Cependant, le silicium seul ne peut détecter l’infrarouge. La solution existante est d’appliquer une fine couche de germanium (1 micromètre,~~ 1770 atomes d’épaisseur) à la surface du silicium afin d’absorber l’infrarouge tout en ayant la détection en elle-même et l’électronique placée au sein du silicium par un procédé connu et peu coûteux. Le présent projet cherche à explorer une méthode alternative de fabrication de ces dispositifs, soit par le collage d’une membrane (couche mince) de germanium dite « sans défaut » créée par le procédé PEELER de l’université de Sherbrooke.

Concours de projet en démonstration

D1 – AI-Native SDR
par Asma Hmidi, UQTR

D2 – Système autonome de perfusion microfluidique pour la vascularisation des organes sur puce
par Hanane Tissir, Polytechnique

D3 – Commande temps-réel d’électronique de puissance par modèle prédictif sur FPGA
par Jérémy Poupart, UQTR

D4 – Circuit d’Illumination Pulsé à DELs Hautes-Puissances pour Cytométrie d’Imagerie Miniature
par Karim Bouzid, U. Laval

D5 – Développement d’un convertisseur photon-numérique
par Olivier Lepage, U. Sherbrooke

D6 – Paper-Based Devices for Electrochemical Detection of Bacteria
par Sabrina Zoso, Polytechnique

D7 – AIoT Optimizer : Une orchestration intelligente pour l’IA sur l’Edge
par Saif Eddine Khelifa, UQTR

D8 – Enhancing 6G Network Performance through FlexRIC within an Open RAN Framework
par Sif Eddine Salmi, UQTR

D9 – Perspectives pratiques sur le fonctionnement des ris passifs autonomes : approche de Adversarial Bandit assisté par Algorithme Génétique
par Nada Belhadj Ltaief, UQTR

D1 – AI-Native SDR
par Anthony Pinard, UQTR

La convergence de l’IA et de la radio définie par logiciel (SDR) a introduit un nouveau paradigme: le cadre SDR natif à l’IA. Cette intégration permet aux systèmes SDR d’apprendre et d’optimiser dynamiquement les fonctions radio, ouvrant la voie à une communication sans fil plus intelligente. Il s’appuie sur Sionna de NVIDIA, une bibliothèque open source optimisée pour GPU et TensorFlow, ainsi que sur le RFSoC Pynq de Xilinx. Ce projet explore les principes et implications de ce cadre. Nous analysons comment les radios cognitives basées sur l’IA améliorent la sensibilisation au spectre et l’allocation des ressources, optimisant ainsi les canaux MIMO-OFDM et réduisant les interférences. De plus, nous examinons l’intégration d’algorithmes de l’apprentissage automatique pour ajuster automatiquement les paramètres SDR en réponse aux variations du canal, améliorant ainsi la qualité du signal et la fiabilité des transmissions. L’implémentation efficace de l’IA dans les plateformes SDR nécessite une transmission et réception en temps réel, facilitée par des couches différentielles. Ces couches permettent une adaptation continue et un apprentissage au sein du pipeline de traitement, rendant le système SDR plus réactif aux changements environnementaux et optimisant ses performances en fonction des connaissances acquises par l’IA.

D2 – Système autonome de perfusion microfluidique pour la vascularisation des organes sur puce
par Hanane Tissir, Polytechnique

Le développement des organes sur puce représente une avancée majeure en ingénierie biomédicale, en permettant la modélisation in vitro des tissus et organes humains. Toutefois, la vascularisation reste un défi fondamental, car l’apport en nutriments et en oxygène est essentiel pour la survie et la fonctionnalité des cellules. Ce projet propose un système de perfusion microfluidique autonome, intégrant une pompe péristaltique contrôlée par Arduino et un amortisseur de flux en PDMS, afin de garantir une perfusion continue et physiologique du milieu de culture. Les récents progrès en bio-impression 3D, thérapies cellulaires et médecine personnalisée nécessitent des modèles vasculaires fiables pour optimiser la maturation des tissus et améliorer la prédictivité des essais précliniques. Ce dispositif répond à cette exigence en offrant un contrôle précis des flux (1-10μL/min), une régulation automatisée et une réduction des pulsations parasites, garantissant ainsi des conditions optimales pour la formation de réseaux vasculaires fonctionnels. Grâce à son accessibilité, sa modularité et son efficacité éprouvée, ce système s’inscrit dans la tendance actuelle des modèles physiopathologiques avancés, accélérant la recherche en cancérologie, pharmacologie et ingénierie tissulaire. La vascularisation artificielle des organes sur puce est un axe de recherche prioritaire dans le domaine des biotechnologies, en raison de son rôle clé dans la viabilité et la maturation des tissus in vitro. Jusqu’à présent, les systèmes microfluidiques utilisés dans ces modèles souffrent de limitations techniques, notamment en termes de stabilité du flux et de compatibilité avec des structures cellulaires complexes. Ce projet propose une approche innovante, combinant une pompe péristaltique pilotée par Arduino et un amortisseur de flux en PDMS, afin de garantir un écoulement fluide, sans fluctuations de pression, mimant les conditions physiologiques. En éliminant les pulsations mécaniques non contrôlées, cette technologie favorise l’organisation et la maturation des réseaux capillaires in vitro, facilitant ainsi l’étude des interactions cellulaires et des processus pathologiques comme l’angiogenèse tumorale. Grâce à son intégration aisée dans les laboratoires sur puce, ce système permet d’optimiser la fiabilité des modèles in vitro et de renforcer leur pertinence pour les essais pharmacologiques, la médecine régénérative et la modélisation des maladies vasculaire.

D3 – Commande temps-réel d’électronique de puissance par modèle prédictif sur FPGA
par Jérémy Poupart, UQTR

Le projet propose un contrôle de circuits d’électronique de puissance par modèle prédictif. Le modèle prédictif calcul en parallèle toutes les possibilités de combinaisons d’interrupteurs d’un onduleur x pas de calculs à l’avance afin de déterminer la ou les combinaisons permettant d’obtenir le courant désiré. Cette méthode permet d’obtenir une commande plus précise et rapide qu’un contrôle standard. Contrairement à un contrôle standard, la commande prédictive est une commande proactive permettant de savoir a priori quelle combinaison d’interrupteurs permet d’obtenir la meilleure réponse. Toutefois, le défi est deconcevoir ce contrôleur pour un contrôle temps-réel. Il faut donc trouver des méthodes pour minimiser la latence. Pour ce faire, le modèle prédictif est implémenté sur une plateforme CPU-FPGA temps-réel où on le modélise par représentation d’état et chaque interrupteur utilise un modèle résistif. Cette modélisation des interrupteurs est plus près de la réalité que d’autre modèles, mais complexifie les calculs, car il y a 2n combinaisons possibles pour n interrupteurs. Ceci pose un second défi, car la complexité est exponentielle au nombre d’interrupteurs. On peut donc précalculer toutes les matrices pour les circuits simples, or, dans les cas plus complexes où la mémoire est limitée, une méthode de résolution rapide tel que la méthode de Sherman-Morrison est implémentée et optimisée afin d’effectuer un inverse rapide du modèle. On apporte plusieurs optimisations à la méthode afin de minimiser la latence et optimiser la mémoire utilisée afin de s’assurer d’avoir un pas de calcul fin.

D4 – Circuit d’Illumination Pulsé à DELs Hautes-Puissances pour Cytométrie d’Imagerie Miniature
par Karim Bouzid, U. Laval

Un circuit compact et abordable à base de DELs hautes-puissances pulsées permettant d’illuminer une scène pour des applications d’imagerie haute vitesse est présenté ici. Le contexte d’application plus spécifique est la cytométrie d’imagerie, où des microparticules circulant dans un microcanal sont photographié. La haute vitesse des particules traversant le canal requière une très basse exposition des pixels du capteur d’image, ainsi qu’une illumination intense produite par un circuit de flash. Les circuits de flash et d’illumination conventionnels, tels que ceux basés sur des lampes au xénon, sont efficaces mais peu pratiques pour une utilisation portable en raison de leur dépendance à des transformateurs et condensateurs volumineux. Ils sont également limités par des temps de recharges élevés entre chaque flash. Pour surmonter ces limitations, nous utilisons un circuit simple permettant de contrôler l’illumination de DELs à partir de pulses de très courtes durées. Le circuit est composé d’un transistor de puissance, de 4 DELs de puissance, et de résistances de limitation de courant. L’illumination est suffisante pour obtenir de bonnes images de microparticules s’écoulant dans un microcanal à vitesse moyenne. Un flux lumineux de 2500 lumens est obtenu pour une largeur d’impulsion minimale de 5 μs, répétable toutes les 10 μs.

D5 – Développement d’un convertisseur photon-numérique
par Olivier Lepage, U. Sherbrooke

De la physique des particules à l’imagerie médicale, la détection et l’instrumentation en conditions de faible luminosité restent un défi majeur. Pour y répondre, le groupe de recherche en imagerie médicale de Sherbrooke (section 3D), le GRAMS3D, développe un convertisseur photon-numérique (PDC), un système innovant capable de détecter des photons uniques. Ce dispositif repose sur une matrice de SPAD (Single photon avalanche diode) intégrée à une électronique de lecture entièrement numérique, transformant chaque photon détecté en impulsion numérique. L’objectif ultime du projet est d’optimiser la zone photosensible en intégrant la matrice de SPAD en 3D directement sur l’électronique de lecture. Cette intégration permet de maximiser la zone photosensible, sans compromettre la quantité d’électronique intégrée à la matrice. Le projet consiste à évaluer l’électronique de lecture actuelle des PDC et à développer des séquences de test afin d’optimiser leur conception. L’objectif est de concevoir une version améliorée du PDC, intégrant de nouvelles fonctionnalités, tout en réduisant la consommation d’énergie et en améliorant la fréquence d’opération et la résolution temporelle. De plus, une procédure de test sur wafer a été mise en place pour évaluer efficacement plusieurs PDC, améliorant ainsi le rendement des différents assemblages.

D6 – Paper-Based Devices for Electrochemical Detection of Bacteria
par Sabrina Zoso, Polytechnique

Hospital-acquired infections are a major challenge significantly increasing mortality. This study presents a low-cost paper-based electrode for detecting bacterial factors leveraging paper’s affordability and capillary action. Filter paper laser-cut and functionalized with conductive inks will form a three-electrode configuration. Carbon electrodes on paper will be used to build conductive lines in paper. Electroanalysis will be tested with cyclic voltammetry and square wave voltammetry on hexaammineruthenium(III) chloride and dopamine. Bacterial factor detection will assess sensitivity, detection limits, and interference resistance. Electrode doping with polymer inks and solvents have increased sensitivity 10-fold vs. control. Ink optimization for aerosol-jet printing is ongoing. This device enables rapid, accurate detection of bacteria, surpassing conventional methods. It enhances sample handling, reduces waste, and offers a sustainable, paper-based alternative to plastic diagnostic systems. During this demonstration, measurements in solutions with paper electroanalytical systems made from cellulose will be demonstrated to support bacterial point-of-care detection. No chemical or biological risk will be expected during these tests.

D7 – AIoT Optimizer : Une orchestration intelligente pour l’IA sur l’Edge
par Saif Eddine Khelifa, UQTR

L’essor des environnements Edge et l’augmentation des charges de travail IA nécessitent une orchestration intelligente pour garantir une exécution efficace et une gestion optimale des ressources. Ce projet vise à aider les entreprises à déployer leurs solutions d’intelligence artificielle sur des clusters Edge publics tout en leur fournissant des outils pour évaluer les capacités de leurs systèmes. Il repose sur trois composantes principales : un benchmark qui teste les performances des charges IA sur diverses configurations matérielles et conditions réelles, un prédicteur qui estime la capacité de calcul des systèmes et prévoit la performance des applications IA, et enfin un orchestrateur qui assigne intelligemment les charges IA aux infrastructures disponibles afin de minimiser les violations des objectifs de service (SLO). Cette approche optimise l’utilisation des ressources, améliore la fiabilité des déploiements IA sur l’Edge et facilite la prise de décision.

D8 – Enhancing 6G Network Performance through FlexRIC within an Open RAN Framework
par Sif Eddine Salmi, UQTR

L’émergence de l’Open RAN (O-RAN) a permis un contrôle plus flexible et intelligent des réseaux d’accès radio (RAN). Cette recherche se concentre sur le test et l’optimisation de la performance des réseaux 6G en concevant plusieurs xApps et en utilisant FlexRIC dans un environnement RAN avancé. FlexRIC permet une optimisation en temps réel du réseau, tandis que les xApps sont développées pour tester et évaluer des fonctions clés telles que l’allocation dynamique des ressources, la gestion des interférences et la découpe du réseau. Elles aident à optimiser les interactions entre l’équipement utilisateur (UE) et la station de base, y compris l’unité radio (RU), l’unité centralisée (CU) et l’unité distribuée (DU) ou gNB. Nous déploierons plusieurs xApps pour évaluer des indicateurs de performance clés tels que le débit et la latence, afin d’assurer une optimisation efficace. Les premiers résultats suggèrent qu’en testant FlexRIC avec des xApps, nous pouvons améliorer la fiabilité des liens, renforcer l’adaptabilité aux conditions du réseau et optimiser les performances globales du réseau 6G.

D9 – Perspectives pratiques sur le fonctionnement des ris passifs autonomes : approche de Adversarial Bandit assisté par Algorithme Génétique
par Nada Belhadj Ltaief, UQTR

Les simulations pratiques en temps réel constituent une étape essentielle pour démontrer l’efficacité de l’optimisation de la communication assistée par surface intelligente reconfigurable (RIS), une technologie essentielle pour les futurs réseaux 5G et 6G. Dans ce projet, nous présentons une approche complète de l’optimisation RIS utilisant plusieurs algorithmes, notamment les algorithmes génétiques (GA), l’apprentissage par renforcement profond (DRL), le bandit contradictoire (AB), le DRL assisté par GA et un nouveau cadre AB assisté par GA. Tout d’abord, nous évaluons les performances de ces algorithmes au moyen d’expériences en temps réel sur un RIS personnalisé, conçu pour améliorer la force et l’adaptabilité du signal. L’approche AB assistée par GA, notre principale contribution, démontre des performances supérieures en accélérant la convergence et en optimisant efficacement les configurations RIS dans des environnements sans fil dynamiques. Par rapport aux références DRL et GA, l’AB assisté par GA améliore considérablement les valeurs de l’indicateur de force du signal reçu (RSSI) tout en maintenant l’efficacité des calculs. Les résultats confirment en outre que l’AB assisté par GA gère plus efficacement l’espace de configuration complexe et vaste du RIS, offrant des solutions améliorées pour les systèmes de communication sans fil de nouvelle génération. Cette étude sert de base aux futures recherches RIS, mettant l’accent sur les avantages pratiques de l’intégration d’algorithmes d’optimisation dans les déploiements du monde réel.