Skærpelsen af grænseværdier for PFAS i 2022 har sat grundvandsressourcen under pres med overskridelser i 6% af indtagene i den seneste overvågning. Projektet vil imødekomme det øgede behov for at udvikle forståelsen af spredningen af PFAS i jord- og grundvand i en typisk punktkilde (brandøvelse), samt at bestemme varigheden af udvaskning til grundvandet og påvirkning af kildepladser. Hermed bliver vandforsyninger og regioner i stand til at ha?ndtere de nye udfordringer forureningerne forårsager.

PhD’en skal kortlægge byggematerialers forsyningskæder ned til råstoffernes udvindingssteder, kortlægge områdernes biodiversitetsværdi og identificere materialer og udvindingsområder med høj risiko for kritisk biodiversitetspåvirkning. Resultaterne vil bruges til at imødekomme efterspørgslen på metoder til at beregne byggebranchens såkaldte off-site biodiversitetsaftryk, og danne grundlag for en række anbefalinger til, hvordan virksomheder kan reducere og rapportere sit biodiversitetsaftryk.

Projektets mål er at undersøge hvordan kvante- og kvanteinspirerede algoritmer kan forbedre algoritmer til at spore mål i radarsignaler (Multi-target tracking), som gør brug af et dataassocieringsskridt, et kombinatorisk optimeringsproblem som er NP-svært at løse. Vi ønsker at kvantificere hvordan kvante- og kvanteinspirerede algoritmer kan bidrage til at accelerere beregningstider for sådanne algoritmer, og undersøge effekten på algoritmernes præcision og nøjagtighed som følge deraf.

Sparrow Quantum, der er førende inden for enkeltfotonkildeteknologi, har til hensigt at udvide deres fokus til foton-sammenfiltringskilder. I samarbejde med Niels Bohr Institutet planlægger Sparrow at designe en fotonisk kvantecomputerarkitektur, i form af et blueprint, samt at forbedre og demonstrere en prototype af fotonisk fusion med deres enkeltfotonkilder. Det vil positionere Sparrow som en unik aktør i markedet og en attraktiv partner for større virksomheder.

Vejr, og især regn, spiller en afgørende rolle for landbruget, idet det styrer beslutninger for landmænd fra såning til høst. Nuværende vejrudsigter kan ikke følge med behovet for præcise vejrudsigter, på kort sigt og hyper-lokal skala. Dette projekt kombinerer deep learning med forskellige datakilder såsom Numerical Weather Prediction, radar og vejrstationer for at øge præcisionen af vejrudsigter. Den succesfulde start-up FieldSense samarbejder med anerkendt forsker ved Aarhus Universitet.