LTP2 Muliggjørende og industrielle teknologier ikon

Mogleggjerande industrielle teknologiar

2026

2025

2024

2023

2022

2021

2020

2019

2018

2017

2016

2015

2014

2013

2012

2011

2010

2009

Portefølje Naturvitenskap og teknologi ikon

Forskningssystemet

Portefølje Humaniora og samfunnsvitenskap ikon

Banebrytende forskning

Portefølje Samisk ikon

Samisk samfunn og kultur

Portefølje Demokrati, styring og fornyelse ikon

Demokrati og global utvikling

Portefølje Velferd, kultur og samfunn ikon

Velferd og utdanning

Portefølje Helse ikon

Helse

Portefølje Klima- og polarforskning ikon

Klima og miljø

Portefølje Landbasert mat, miljø og bioressurser ikon

Mat og bioressurser

Portefølje Energi, transport og lavutslipp ikon

Energi og transport

Portefølje Muliggjørende teknologier ikon

Muliggjørende teknologier

Portefølje Industri og tjenestenæringer ikon

Innovasjon

LTP2 Klima, miljø og miljøvennlig energi ikon

Klima, miljø og energi

LTP2 Samfunnssikkerhet og samhørighet ikon

Samfunnstryggleik og beredskap

LTP2 Fornyelse i offentlig sektor ikon

Velferdstjenester

Forsidebilde

Marin ikon

Petroleum og mineraler

LTP Hav ikon

Hav og kyst

Tillit og fellesskap

LTP2 Utvikle fagmiljøer av fremragende kvalitet

Høg kvalitet og tilgjengeleg

LTP2 Styrket konkurransekraft og innovasjonsevne ikon

Sterkare konkurransekraft og innovasjonsevne

LTP3 Helse

Et innovativt næringsliv ikon

Styrket konkurransekraft og innovasjonsevne

Portefolje Petroleum Ikon

Portefølje Hav ikon

Portefølje Utdanning og kompetanse ikon

Portefølje Global utvikling og internasjonale relasjoner ikon

Portefølje Livsvitenskap ikon

Forsidebilde optimalisert

project-bank-technical

Muliggjørende teknologier bakgrunn

Marin bakgrunnsbilde

Statistikk

Prosjektbanken presenterer statistikk og informasjon om prosjekter med finansiering fra Forskningsrådet fra 2004. Statistikken er fordelt på blant annet tema, år, geografi og organisasjon. Prosjektbanken gir også detaljert informasjon om de enkelte prosjektene.

...eller se sammendrag og annen informasjon om prosjektene i utvalget ditt

Forside

Hvordan tildelingene fordeler seg på institusjoner, fylker, fagområder o.l....

Her er noen eksempler på søk du kan gjøre i Prosjektbanken

Alle porteføljestyrer

En god beskrivelse av denne siden for søkemotoroptimalisering

Alle langtidsplanmål

https://tjenester.forskningsradet.no/kontakt

Veiledning: Hvordan bruke Prosjektbanken.no

Om Fritekstsøk

Ingen populærvitenskapelig framstilling tilgjengelig


Prosjektet med prosjektnummer {{project number}} ble ikke funnet

Teknisk beskrivelse

Oisann, her gikk noe galt. Kan du prøve å laste siden på nytt?  Dersom feilen vedvarer, vennligst kontakt oss.         

Se statistikk relatert til dette langtidsplanmålet

Se prosjekter relatert til dette langtidsplanmålet

knyttet til dette LTP-målet har blitt tildelt penger

har blitt tildelt til prosjekter knyttet til dette LTP-målet

har blitt tildelt til prosjekter knyttet til denne porteføljen

knyttet til denne porteføljen har blitt tildelt penger

Om Prosjektbanken

Bare en liten del av DNA blir til enhver tid transkribert og omgjort til fungerende molekyler, eller med andre ord, blir uttrykt. Friske celler har god kontroll over hvilke områder som er uttrykt, men kreftceller mister denne kontrollen så de kan vokse ukontrollert. Interessant nok fører dette til at kreftceller uttrykker et spesifikt molekyl kalt dobbeltrådet RNA. Dobbeltrådet RNA blir vanligvis bare laget av virus, så det er overraskende at dobbeltrådet RNA blir uttrykt fra vårt eget genom. Når dobbeltrådet RNA uttrykkes i kreftceller, kan det oppdages av immunsystemet og aktivere mekanismer som normalt brukes til å drepe celler infisert av virus. Å finne måter å aktivere denne antivirus-responsen i kreftceller er derfor en interessant tilnærming for fremtidig kreftbehandling.

Et problem er at vi ikke har gode verktøy for å måle dobbeltrådet RNA presist. I dette prosjektet vil vi utvikle en ny metode som kan måle dobbeltrådet RNA mer presist enn tidligere. Vi vil bruke metoden til å kartlegge dobbeltrådet RNA i det menneskelige genomet og måle dobbeltrådet RNA direkte i vev fra pasienter med tykktarmskreft og i nærliggende normalt vev. Disse målingene vil lære oss hvordan uttrykket av dobbeltrådet RNA endres når kreft utvikler seg og hvordan det varierer mellom pasientgrupper.

Vi vil også dyrke tarmorganoider fra pasienter for å modellere kreftbiologien. Tarmorganoider er «mini-tarmer». Disse små celleklumpene er dyrket i en gelé og inneholder mange av celletypene som finnes i tarmen, noe som gjør at vi kan studere tarmvevet i et kontrollert miljø. Vi vil derfor bruke organoidene sammen med vår nye metode for å måle dobbeltrådet RNA for å teste om bestemte legemidler kan indusere uttrykk av dobbeltrådet RNA. Sammen med våre målinger av dobbeltrådet RNA i kreftbiopsier vil dette prosjektet gjøre oss i stand til å forstå hvordan dobbeltrådet RNA uttrykkes i kreft, og hvordan vi kan utnytte det for å behandle kreft i fremtiden.

Double-stranded RNA (dsRNA) is a feature of viral replication and can be sensed by innate immune receptors. Interestingly, disruptions in cellular pathways in cancer can lead to induction of endogenous dsRNA from our own genome which can activate innate immune receptors and lead to the death of cancer cells. A major challenge in the field is the lack of precise  methods to measure dsRNA. We are therefore developing a novel method that can measure dsRNA with single molecule resolution and describe its properties. In this project, we will use this method to describe the dsRNA landscape in colorectal cancer. These results will demonstrate a new cutting edge-method to measure dsRNA and provide knowledge for the future therapeutic exploitation of endogenous dsRNA for cancer treatment.

Initially, we will describe regions in the human reference genome that can give endogenous dsRNA. Through collaboration with clinical partners we will also apply our novel method to measure dsRNA in tissue from colorectal cancer patients and adjacent normal tissue. This will be the first precise measurement of endogenous dsRNA in cancer. Based on the in detail dsRNA measurement, we will also develop a simplified dsRNA metric to estimate endogenous dsRNA in public datasets. This will allow us to estimate dsRNA levels as colorectal cancer progresses, variations across colorectal cancer subgroups, and impact of treatment on dsRNA levels. Finally, we have established protocols to grow intestinal organoids derived from colorectal cancer patients. We will treat these intestinal organoids with potential dsRNA inducing drugs to discover novel pathways that can be used to induce endogenous dsRNA. 

As our method is a computational pipeline based upon commercially available reagents, we expect our method to be readily taken up by other researchers in the field. Ultimately, the data from this project will contribute to future development of cancer treatments targeting endogenous dsRNA.

Discovering vulnerabilities in colorectal cancer by measuring double stranded RNA

3D Imaging of Conductance Networks at the Nanoscale

Beyond classical devices, functional material, such as ferroic materials, hold great promise for future nanoelectronic device concepts, enabling faster, smarter and more energy efficient computation. This new generation of materials develops in the direction of increased system complexity, and often involves complex 3D structures at the nanoscale with atomically sharp interfaces. The progress is catalyzed by the ability to resolve their properties at the relevant length scales, an increasingly difficult task.  As an MSCA fellow, Dr. Kasper Hunnestad will integrate migration, an existing computational method in geophysics, to conductive atomic force miscopy (cAFM). cAFM is typically limited to surface conductance measurements, whereas migration is a powerful technique employed for converting surface acquisitions of seismic data to subsurface 3D images. With Dr. Hunnestad’s background in both material science and geophysics, he can effectively develop this multidisciplinary method and exploit it to reveal 3D transport properties of exotic topological states in functional oxides.  To begin the research, a two-year research stay at the University of Canterbury will enable two primary objectives: i)	Develop the computational method migration for cAFM purposes ii)	Perform experiments on materials hosting exotic topological states with technological potential.  In the return phase at the University of Oslo, the technique will be benchmarked against established electrical characterization techniques, leading to the final objective: iii)	Correlate quantitative electrical measurements to the cAFM data  The research will pave the way for future investigations of 3D systems, largely expanding other researchers capabilities to understand their materials. Furthermore, it will strengthen Dr. Hunnestad’s network and competence, bringing him in contact with experts in the relevant scientific disciplines: ferroic materials, computational methods and electrical characterization.

Nesten halvparten av verdens 7000 språk er trua (Campbell & Belew 2018). Språkvitere prøver å bekjempe denne måten menneskelig arv går tapt ved å dokumentere språk. De gjør det ved å samle inn ord, setninger og historier i originalspråket. De beriker disse med transkripsjoner, oversettelser og grammatiske analyser. Men hastigheten språkvitere dokumenterer verdens språk med, er for lav til å kartlegge alle språk før de forsvinner.

Dokumentasjonsprosessen tar ofte mye tid, men kan fremskyndes med hjelp av maskinlæring og spesielt store språkmodeller. I dette prosjektet skal jeg forske på hvordan store språkmodeller kan støtte lingvister i språkdokumentasjon. Jeg vil også finne ut av hvordan (felt)lingvister kan tilpasse måten de samler inn data på sånn at de kan utnytte automatisering maksimalt.

Jag har laget en liste med de mest vanlige oppgavene i språkdokumentasjon. Jeg har rangert dem etter tidsbruk, hvor lette de er for en språkmodell å takle, og hvor viktige de er for språkdokumentasjon. Jeg begynner med den høyst rangerte oppgaven, og skal finjustere store språkmodeller med en begrenset datamengde fra mitt korpus av språket uruangnirin. Deretter skal jeg be språkmodellen utføre oppgaven. Resultatene vurderes med tanke på kvalitet og tidsbruk sammenlignet med hva en lingvist hadde klart.

Kode og retningslinjer for å tilpasse modellene til andre databaser kommer til å publiseres for hver oppgave. På slutten av prosjektet kommer det til å publiseres retningslinjer for språkvitenskapelige feltforskere som vil optimalisere sin datainnsamling for bearbeiding av språkmodeller.

This project will bring machine learning within the reach of language documenters.

The world’s linguistic diversity is disappearing at an alarming rate. Almost half of the world’s 7000 languages are endangered (Campbell & Belew 2018). Linguists try to combat this loss of human heritage by documenting languages. They do this by recording words, sentences and stories in the original language, accompanied by transcriptions, translations and morpheme-by-morpheme analyses. The current documentation rate is too low to capture all the world's language before they disappear.

The process of documentation can be sped up enormously with the help of machine learning, and in particularly large language models (LLMs). The labor-intensive tasks traditionally performed by linguists (transcribing, translating, and morpheme-by-morpheme analysis) can be sped up with the help of fine-tuned LLMs. In this project, I will research how exactly LLMs can support linguists in these tasks, and how (field) linguists can adapt their data collection methods so that they profit maximally from automation.

I have created a task list with the most common language documentation tasks, and have ranked them according to time consumption, ease for a language model to tackle, and importance for language documentation. Starting with the highest ranking task (transcription), I will fine-tune LLMs with a limited amount of existing data from my Uruangnirin language documentation corpus, perform the task, and evaluate the results in terms of quality and time consumption compared to a human (linguist) baseline.

The Uruangnirin community will be actively involved and outputs directed at and requested by them will be created within the project. Scripts and guidelines for applying the models on other datasets will be published for each task. At the end of the project, a set of guidelines for linguistic fieldworkers that want to optimize data-gathering for language model processing will be published.

Automating language description

This work package will focus on addressing the complementarity aspects of using bottom-up technology-rich energy system modelling approaches in tandem with macro-economic analysis with CGE modelling. Namely, we will utilize results and data from the IFE-TIMES-Norway model, using socio-technical transition scenarios developed under the context of the 
FME NTRANS. Using that as basis, macro-economic perspectives and analysis will be led by Statistic’s Norway using the CGE model SNoW.

WP2 will identify wider economic effects and potential trade-offs for numerous low-carbon pathways for Norway 
towards 2050. The work will thus require strategic interdisciplinary alignment from these different modelling perspectives, and will include close coordination for handling data exchange and for assessing key indicators from the scenarios, and eventually re-examining ESM model assumptions based on the results from the CGE analysis.

WP2 – Energy System modelling and Socioeconomic models

This project addresses the Nordic region’s fossil-free transition by developing an advanced modelling framework that links the energy system model GENeSYS-MOD with the macroeconomic model REMES-EU. Traditionally, energy models assume fixed demand, limiting insight into economic feedbacks. By making energy demand endogenous via integration with REMES-EU, the project enables dynamic responses to prices, policies, and technological change, enhancing the realism and policy relevance of long-term scenarios.

The framework will simulate the EU Reference Scenario and at least one Energy Vision 2060 scenario (e.g., REPowerEU++ or Go RES), which explore diverse, plausible energy futures. These scenarios incorporate dimensions such as innovation, geopolitical uncertainty, and social acceptance, and are quantified through GENeSYS-MOD and a Qualitative-to-Quantitative (Q2Q) matrix.

Key research questions include: how endogenous demand reshapes electricity generation, employment, and sectoral impacts; and how model integration can inform infrastructure decisions like Nordic interconnectors. Focus areas span macroeconomic analysis, energy-economy feedbacks, and regional impacts of strategic investments.

The project employs a hybrid, iterative linking method, ensuring economic and technical consistency. It draws on open-source tools, robust data (Eurostat, ENTSO-E, TYNDP), and FAIR principles. Scenario ensembles will capture uncertainty.

A five-stage plan guides implementation: calibration, scenario design, model linking, policy analysis, and dissemination. The interdisciplinary team—experts in macroeconomics, energy modelling, and uncertainty—ensures methodological strength. Gender perspectives and inclusivity are also integrated into both team composition and research design. The project supports the Nordic Energy Systems Programme by delivering transferable insights for policy and cross-border coordination.

The Nordic Energy Systems Programme - WP 2 – Energy System modelling and Socioeconomic models

Klimaendringer gjør at planter, dyr og andre organismer oftere utsettes for stress som varme og tørke. Ny forskning tyder på at slikt stress påvirker sannsynligheten for visse mutasjoner langs DNA-sekvensen, men det er uvisst hvilke biologiske konsekvenser slike mutasjoner har. Gjennom å eksperimentere med planten Arabidopsis thaliana skal prosjektet undersøke hvordan stressinduserte mutasjoner påvirker genuttrykk, epigenetikk og genomstruktur, og hvilke konsekvenser disse endringene har for planteegenskaper som spireevne og vekst. Videre undersøker prosjektet om det finnes mutasjonsmønstre som kan tilskrives miljøstress i store datasett, på tvers av planter, sopp, og dyr. Målet med prosjektet er å forstå hvordan miljøstress kan påvirke evolusjon på kort tid. Kunnskap om hvordan planter og andre organismer tilpasser seg et varmere og mer stressende miljø er også viktig i et bioteknologi-perspektiv, for eksempel for å kunne utvikle varmetolerante planter.

How does environmental stress influence the mutation process, and could this help explain how organisms adapt to changing environments? HotSpot investigates how stress reshapes the mutation landscape in genomes, and whether such stress-induced mutation (SIM) plays a direct role in evolutionary adaptation. The project brings together evolutionary biology, molecular genomics, and bioinformatics to uncover the genomic, epigenetic, and structural signatures of SIM, both in natural populations and under controlled experimental conditions.

To identify general principles of stress-related mutagenesis, we will first analyze data from published mutation accumulation lines and natural populations across a diverse set of eukaryotic species—including plants, fungi, and animals—using machine learning models trained on stress-exposed mutation data. This approach will detect genomic predictors of mutation and test whether these features (e.g., GC content, DNA accessibility, repetitive elements) are shared or lineage-specific.

In parallel, we will conduct an experimental evolution study in the model plant Arabidopsis thaliana, exposing replicate lines to heat stress. Using 3D-genome sequencing, RNA-seq, and advanced phenotyping, we will track how SIM affects gene expression, methylation patterns, chromatin topology, and fitness-related traits. A key challenge is to distinguish transient stress responses from heritable molecular changes and to pinpoint the local DNA features and chromatin environments that predispose regions to mutation.

By integrating mutation data with gene regulation and 3D genome structure, HotSpot will provide new insight into the mechanisms and evolutionary relevance of SIM. This knowledge is important for understanding how organisms generate adaptive variation in stressful or fluctuating environments—and may have broader implications for biodiversity, agriculture, and climate resilience.

HotSpot: Stress-induced mutations in evolution

KITES er et forskningsprosjekt som utforsker hvordan avansert teknologi som virtuell virkelighet, 360-graders video og kunstig intelligens kan styrke lærerstudenter i å integrere teoretisk og praktisk kunnskap.
Å bli en god lærer handler om mer enn fagkunnskap. Det krever evnen til å kombinere teoretisk innsikt og praktisk erfaring og å ta kloke valg i situasjoner som ofte er komplekse og uforutsigbare. Dette er en kjent utfordring internasjonalt – og nettopp her kommer KITES inn.

Prosjektet skal utforske hvordan teknologi kan gi lærerstudenter mulighet til å øve på – og lære å integrere – ulike kunnskapsformer på en meningsfull måte som grunnlag for reflekterte beslutninger i praksis. I samarbeid mellom forskere, lærerutdannere, lærere og studenter utvikler KITES digitale, scenariobaserte simuleringer der studentene møter realistiske profesjonssituasjoner som krever kunnskapsintegrasjon.

Med virtuell virkelighet, 360-graders video og kunstig intelligens skaper prosjektet digitale læringssituasjoner der studentene kan ta valg, prøve strategier og erfare konsekvenser i trygge omgivelser. Situasjonene kan gjentas, og refleksjon og tilbakemeldinger etterpå gjør det lettere å knytte teori til praksis. Målet er å styrke profesjonelt skjønn og lette overgangen til yrkeslivet.

KITES ledes av en tverrfaglig forskergruppe ved Høgskolen i Østfold, OsloMet og Aalborg Universitet, i samarbeid med Indre Østfold kommune og Utdanningsforbundet Østfold.

KITES vil redusere «praksissjokket» for nye lærere, styrke båndet mellom lærerutdanning og skole og utvikle åpne, forskningsbaserte læringsverktøy som kan brukes nasjonalt og internasjonalt. Slik bidrar prosjektet til en mer helhetlig, reflektert og framtidsrettet lærerutdanning – til nytte for lærere, elever og samfunnet. Prosjektet legger også vekt på å utvikle bærekraftige samarbeidsmodeller som kan styrke kvaliteten i lærerutdanningen over tid. Dette skal sikre varig nytte for institusjoner og elever.

Knowledge Integration in Teacher Education through Technology-Enhanced Simulation (KITES) is a collaborative design-based research project focusing on developing and exploring technology-enhanced scenario-based simulations, which effectively support student teachers in integrating theoretical and practical knowledge. Educating student teachers to meaningfully integrate theoretical and practical knowledge has been an enduring challenge in teacher education (TE) worldwide. KITES stems from the idea that teachers’ professional practice is characterized by a heterogeneous knowledge base and a need to integrate theoretical and practical knowledge in specific situations. When planning, teaching, or reflecting, teachers mobilize and integrate diverse knowledge resources, such as educational theories, subject and didactical knowledge with practical experiences, insights, and knowledge about a particular school context and students. In KITES, researchers, teacher educators, student teachers, and teachers will collaboratively and iteratively design, test, and explore how existing state-of-the-art technologies (e.g., VR, 360-degree video, and AI chatbots) can enhance simulations used in TE to develop student teachers’ competencies in knowledge integration. The scenario-based simulations will be tested twice in iterative processes, serving a dual purpose: refining the simulations and examining the development of student teachers’ knowledge integration competencies. Observations, especially videodata from workshops and testing, and interviews will serve as primary sources by applying interaction analysis, thematic analysis, and qualitative content analysis based on the research questions. The two focal partners from the education sector in the project are the Union of Education, Østfold, and Indre Østfold Municipality, led by an interdisciplinary group of researchers from Østfold University College, OsloMet, and Aalborg University.

Knowledge Integration in Teacher Education through Technology-Enhanced Simulation (KITES)

EquiPETE undersøker hvordan lærerutdanning og kroppsøving kan bli mer inkluderende og gi alle elever mulighet til å oppleve læring, mestring, fellesskap og glede.

Hvordan kan lærere i kroppsøving skape et læringsmiljø der alle elever opplever trygghet, tilhørighet og likeverdige muligheter til å delta? Dette er hovedspørsmålet i EquiPETE, som skal fornye utdanningen av kroppsøvingslærere i Norge og bidra til et mer rettferdig og mangfoldig kroppsøvingsfag. Kroppsøving har et stort potensial for å fremme helse, trivsel og livsmestring, men mange elever opplever faget som ekskluderende. Undervisningen er ofte preget av konkurranse og tradisjonelle idretter som favoriserer noen, mens andre føler seg utenfor. Samtidig forbereder lærerutdanningene i liten grad nye lærere på å møte et mangfold av elever med ulike forutsetninger, behov og interesser. Prosjektet skal utvikle, teste og formidle undervisningsmodeller og forskningsbaserte verktøy som hjelper lærerstudenter, lærere og lærerutdannere til å undervise på måter som fremmer likeverd, mangfold og inkludering. Arbeidet ledes av Norges idrettshøgskole i samarbeid med OsloMet, Monash University (Australia) og flere norske skoler. Forskere, lærere, lærerstudenter og skoleledere skal arbeide sammen i en deltakende forskningsprosess: de planlegger, underviser, samler inn data og analyserer resultater. Gjennom dette samarbeidet skal prosjektet utvikle et forskningsbasert rammeverk som tydeliggjør hvordan lærerutdanning og kroppsøving kan fremme inkluderende praksiser. Resultater deles åpent gjennom kurs, podkaster, nettressurser og workshops for lærere, forskere og beslutningstakere. På kort sikt vil prosjektet gjøre lærerutdanningene mer inkluderende og styrke fremtidige læreres kompetanse og trygghet til å møte mangfoldet i skolen. På lengre sikt er målet å bidra til mindre utenforskap, økt deltakelse og bedre helse blant barn og unge, i tråd med FNs bærekraftsmål om god helse, kvalitetsutdanning og likeverd.

EquiPETE responds to the ongoing crisis in Physical Education Teacher Education (PETE), where outdated pedagogies and exclusionary practices and structures fail to prepare teachers for inclusive learning environments that enhance student learning outcomes. As a result, school PE does not fulfil its potential to promote quality education and lifelong health. To drive transformation, EquiPETE engages in-service and pre-service teachers, teacher educators, researchers, school owners and policymakers in interdisciplinary research to co-develop evidence-based equity, diversity, and inclusion (EDI) tools and models appliable throughout the PE system, from primary school to PETE. Building on the Erasmus+ PhysEd-Academy project led by Hordvik (Project manager of EquiPETE), this project brings together leading national and international scholars in PETE, EDI and participatory research to address the lack of robust evidence in current systems, tools, and pedagogical models (Hordvik et al., 2025). These models remain largely untested and unvalidated in terms of their effectiveness for pre-service teacher learning and lack an EDI-sensitive lens (Hordvik & Beni, 2024). EquiPETE expands on early EDI perspectives and principles pioneered by consortium researchers, demonstrating that a participatory and systemic approach – one that challenges power structures and moves away from traditional, teacher-led instruction centred on competitive sports–offers a promising future for the field through democratic and reflective pedagogical practices. EquiPETE will co-develop, test, and validate research-driven EDI tools and pedagogical models to equip teachers, teacher educators, and other stakeholders to serve as change agents and policy entrepreneurs in PETE reforms. This project does not merely propose incremental improvements; rather, it establishes a comprehensive, evidence-based EDI framework to inform policies and solidify PE as a key driver of inclusive education and lifelong health.

Co-developing an Evidence-Based Framework for Equity, Diversity and Inclusion in Physical Education Teacher Education

Siden midt på 70-tallet har mikroelektromekaniske systemer (MEMS) hatt stor betydning for vårt moderne, høyteknologiske samfunn. Tynnfilm-piezoelektriske MEMS (TFPMEMS) viderefører denne MEMS-arven, og brukes i dag i teknologiske anvendelser, som inkjet-printere, 3D-kameraer, gassdetektorer, og virtuelle/utvidede virkelighetsenheter (VR/AR). Den stadige miniatyriseringen av slike mikro -og nanoteknologiske enheter, deriblant MEMS og TFPMEMS har økt behovet for framtidens enheter å kunne tåle stadig høyere elektromekaniske energitettheter, samtidig som de opprettholder stabilitet og ytelse over lang tid og under krevende driftsforhold. Per i dag er energitettheten imidlertid høyere enn hva materialene kan tåle for framtidens anvendelser, og de bryter irreversibelt sammen under de elektriske spenningsnivåene som kreves. En fundamental viktig faktor er fortsatt uklar: man vet ikke om elektrisk eller mekanisk sammenbrudd er drivende ved høye elektriske felt! På den andre siden, er slike enheter svært sårbare i fuktige omgivelser, som til sammenligning forårsaker kritisk sammenbrudd i løpet av sekunder til minutter. Dette begrenser hvor det er mulig å innlemme TFPMEMS-teknologi på Jorden, og spesielt en mekanisme skiller seg ut som særlig kritisk under påsatt spenning: spalting av vannmolekyler til oksygen -og hydrogengass. Når gassbobler dannes inne i materialet, øker trykket med flere tusen atmosfærer, og får materialet til å sprekke opp når gassen prøver å unnslippe. HERO tar sikte på å løse begge utfordringene ved (i) å øke de elektriske og mekaniske toleransene ved å justere piezomaterialers komposisjon og sammensetning i flerlags-design, og (ii) å avklare faktorene som driver protonledning langs overflater og hydrolyse av fuktbarrierer. Sammen med norsk MEMS-industri og anerkjente internasjonale forskningsmiljøer, skal dette brukes til å implementere strategier som muliggjør realiseringen av morgendagens avanserte mikro- og nanoteknologiske systemer.

The project addresses two central challenges hampering the further development and technological deployment of thin film piezoelectric microelectromechanical systems (TFPMEMS): (i) their too low electromechanical tolerances, and (ii) their instability and critical failure in humid conditions. These challenges necessitate new scientific insight into the fundamental mechanisms governing breakdown and degradation, as well as the implementation of practical enhancements and mitigation strategies. The project brings together academic partners, Penn State University, and industrial collaborators, Sonair and Tunable, to ensure both scientific progress and practical implementations of the results in factual technologies. We will investigate two main TFPMEMS material systems – high performing lead-zirconate titanate, and the promising lead-free candidate soaring up in applications: aluminum scandium nitrate – and related humidity barrier materials deposited with atomic layer deposition – beginning with stacks of Al2O3 and HfO2 as initial candidates. The work is proceeded under the hypothesis that combining modifications of the micro and chemical structure of the materials in single and multilayered stacks with smart device-design will enhance both the electromechanical tolerance and improve the resistance to humidity-induced degradation. This requires an increased understanding of the structure-property relations involved, and new insight into the mechanisms at play during the interaction of humidity with material surfaces. For this purpose, we will utilize and expand the capabilities of national research infrastructure within SINTEF MiNaLab and NorFab. On a larger scale, the results are important both for developing future microtechnology, and for sustainable energy technologies, as well as strategically important for the establishment of the TFPMEMS pilot line within the chips competence center initiative.

High-performance thin film piezoelectric microelectromechanical systems, Enhanced for Realistic Operating conditions

Norge er verdens største produsent av atlantisk laks, men næringen står overfor store utfordringer knyttet til fiskehelse og velferd, som fører til høy dødelighet både i settefiskfasen og sjøfasen. Oppdrettslaks har ofte dårlig motstandskraft mot stress og sykdom, noe som skaper utfordringer med blant annet lakselus og infeksjonsutbrudd i perioden etter overføring til sjømerder.
Dagens laksefôr består i stor grad av importerte plantebaserte råvarer, som soya. Dette skaper bærekraftsutfordringer, men kan også bidra til helseproblemer fordi slike råvarer kan mangle viktige mikronæringsstoffer og bioaktive forbindelser. I tillegg har Norge som mål å femdoble lakseproduksjonen innen 2050, og skal samtidig basere mer på bærekraftige og lokale produserte fôrråvarer. Dette gir et akutt behov for nye råvarer som ikke bare leverer biomasse og vekst, men også styrker fiskens helse og velferd.
Calanus finmarchicus (raudåte) er en hoppekrepsart med ettårig livssyklus, som muliggjør rask populasjonsgjenvinning og dermed forekommer i store mengder i Norskehavet. Dette kan være en del av løsningen på disse utfordringene. Med en estimert årlig biomasse på rundt 300 millioner tonn og et naturlig høyt innhold av næringsstoffer og bioaktive forbindelser, har raudåte-råvarer stort potensial som en bærekraftig, lokalt høstet fôrressurs som kan styrke laksens helse.
I CopeFISH-prosjektet undersøker vi ulike bærekraftperspektiver (økonomiske, miljømessige og sosiale) ved olje og protein fra raudåte som funksjonelle fôrråvarer—fôr som kan styrke immunitet, stresstoleranse og generell helse. Vi tester også hvordan disse råvarene påvirker laksens ytelse og motstandskraft under krevende og realistiske oppdrettsforhold. Forsøkene våre omfatter både ferskvanns- og sjøvannsstadiene, som har ulike ernæringsbehov og fysiologiske krav. Med denne tilnærmingen ønsker vi å forbedre fiskevelferden og samtidig bidra til en mer bærekraftig framtid for norsk havbruk.

Norway is the world's largest producer of Atlantic salmon  (Salmo salar; salmon from here on) but faces significant fish welfare challenges, particularly from infectious diseases like sea lice and high mortality at seawater transfer . Current salmon feeds rely heavily on imported plant-based ingredients, raising concerns about sustainability and potentially contributing to reduced resilience to stress and disease. At the same time, with Norway aiming for a 5-fold increase in salmon production by 2050 relying mostly on sustainable locally sourced feed ingredients, there is an urgent need for novel raw materials . Calanus finmarchicus (Calanus from here on) is a locally harvested copepod with a rich nutrient profile and functional properties, has a strong potential to enhance salmon robustness while improving the sustainability of Norwegian aquaculture3, .
CopeFISH aims to assess the sustainability of Calanus ingredients as functional feed in salmon, addressing ecosystem, socio-economic, and market aspects. Additionally, our project takes a holistic approach and is the first to assess how these ingredients influence physiological functions underlying salmon performance and resilience to challenges inherent to aquaculture practices, focusing on life-stage specific differences in both freshwater (FW) and seawater (SW) phases. This will inform the sustainability assessment, by demonstrating whether and how these ingredients serve to address the welfare issues of the industry.

Mogleggjerande industrielle teknologiar

TOPP KILDER

TOPP TRE ORGANISASJONER

TOPP TRE SØKNADSTYPER

4,4 mrd.

0

Visning

Fordelt på

År

FRIPROSJEKT-FRIPROSJEKT

Discovering vulnerabilities in colorectal cancer by measuring double stranded RNA

Tildelt: kr 10,0 mill.

Prosjektperiode: 2026-2030

Sted: Oslo - Oslove

MSCA-Marie Sklodowska-Curie Actions (MSCA)

3D Imaging of Conductance Networks at the Nanoscale

Tildelt: kr 4,1 mill.

Prosjektperiode: 2026-2029

Sted: Oslo - Oslove

FRIPROSJEKT-FRIPROSJEKT

Automating language description

Tildelt: kr 8,5 mill.

Prosjektperiode: 2026-2030

Sted: Oslo - Oslove

ENERGIFORSKNING-ENERGIFORSKNING

WP2 – Energy System modelling and Socioeconomic models

Tildelt: Skjult

Prosjektperiode: 2026-2027

Sted: Akershus

ENERGIFORSKNING-ENERGIFORSKNING

The Nordic Energy Systems Programme - WP 2 – Energy System modelling and Socioeconomic models

Tildelt: Skjult

Prosjektperiode: 2026-2027

Sted: Trøndelag - Trööndelage