汇聚 12 个学科领域共 120 项科学计算任务，涵盖流体力学、传热学、电磁学、生物学、材料科学、气象学等核心方向。每项任务提供问题定义、求解方法、在线演示与可复现实验环境，支撑从方程求解到工程仿真的全流程科学智算验证。
利用扩散生成模型自动生成量子电路设计，探索AI驱动的量子计算线路优化与自动化设计方法。
利用傅里叶神经算子（FNO）求解量子力学中的分数阶非线性波动方程，探索AI在量子物理方程求解中的应用。
利用强化学习方法从自由落体运动数据中自动发现物理规律，实现运动方程的符号化表达。
MASR（Multi Agents Symbolic Regression，多智能体符号回归）利用多智能体系统和稀疏回归方法高效识别描述复杂自然现象的数学表达式。
基于 PPIformer 模型预测蛋白质-蛋白质相互作用（PPI），为药物设计和蛋白质功能研究提供高效计算支持。
基于多智能体强化学习方法，自动优化光神经网络(ONN)突触参数，解决光学计算硬件中权重调节难题，加速光计算智能设计。
针对NMR数据，利用深度学习自动解析蛋白质结构，加速生物分子研究过程。
利用深度学习处理蛋白质共进化数据，为蛋白质结构预测提供关键信息。
Born 傅里叶神经算子（B-FNO）通过结合 Born 近似方法和傅里叶神经算子，实现了广义泊松方程的高效精确求解，特别适用于复杂电磁系统的建模。
基于深度学习的时域有限差分(FDTD)方法,利用神经网络求解点源激励下麦克斯韦方程组的电磁场分布,实现高速高精度电磁仿真。
实现基于参数化方案的AI电磁仿真，为电磁器件设计提供高效的预测工具。
利用可微分FDTD方法进行贴片天线S参数仿真，提升电磁仿真的精度和速度。
DgmrNet利用深度生成模型对雷达降水数据进行短临预报，能够对广阔区域进行高精度的天气预测，支持灾害预警和气象服务的优化。
CTEFNet结合卷积神经网络和迁移学习，通过时间序列分析提升厄尔尼诺现象的预测时长，为气候变化研究提供高精度的预测工具。。
基于深度学习的全球数字高程模型超分辨率网络(DEM-SRNet)，将30米及更低分辨率DEM数据提升至3弧秒(90米)高分辨率，生成海陆一体化全球高程数据集，为气象预报和气候模拟提供高精度地形支撑。
基于深度学习的海洋三维重建任务评测，评估从多源二维海洋观测数据重建三维海洋温盐结构的算法性能，助力气象预报与海洋科学研究。
利用物理信息神经网络（PINNs）求解二维瞬态热传导方程，实现对时变温度场的高效预测与分析。
结合物理信息神经网络技术求解热传导问题，为热工学研究提供精确的数值解析工具。
PI-DeepONet是基于物理信息神经网络的深度算子学习框架，专用于高效求解传热学偏微分方程问题。通过神经网络逼近解算子，实现复杂热传导、温度场分布的快速预测，相比传统有限元方法计算效率提升数十至百倍。
通过深度学习探索地理信息系统中的复杂地理数据处理问题，提高地形分析和环境监测的精度。
基于第一性原理计算的材料电子结构哈密顿量预测任务，通过机器学习方法从原子结构信息快速预测材料哈密顿量矩阵，实现高效精准的量子力学计算。
基于密度泛函理论(DFT)的多体量子力学模拟方法，利用机器学习技术加速电子结构计算，有效解决大规模量子体系计算成本高、精度不足的难题，为材料性质预测提供高效解决方案。
利用深度学习方法从原子结构信息直接预测第一性原理电荷密度分布，替代耗时的自洽场迭代计算，大幅加速材料电子性质的量子力学计算，为高通量材料筛选提供关键技术支撑。
利用深度学习技术优化密度泛函理论中的交换关联泛函，提升电子结构计算精度与效率，加速新材料发现与分子设计过程。
