使用联邦学习针对各节点分散的算力进行聚合与分发，训练人工智能GNN（图神经网路）模型，基于区块链鼓励全球闲散算力并提供数字资产。将已经训练的人工智能GNN图神经网路模型用于预测分子部分结构特性，通过DFT（密度泛函理论）的计算后，用于A-lab（自动实验室）做真实验证。

公司以葱为主的干燥辛香料季节性明显，产季时大量生产，干燥品体积大，仓库存储转运花费大量人工，产品堆放时还产生大量的粉末，造成产品的浪费，产品的先进先出管理难。急需室外AGV小车自动运输的方案，以及仓库的立体管理的改造方案。实现基于室外AGV小车自动运输/仓库的立体管理系统。

从电机型式、水利模型、结构型式等方面着手，研制新型高效节能环保设备，达到节能减碳的目地。针对高浓难处理工业污水，研发新型处理工艺，在处理效果达标的同时，降低整体能耗。

拟开发一种新型 H+，K+-ATPase 抑制剂，需要解决活性测试、药效、药代动力学、安全性评价等。

技术问题：阻抗谱数据包含丰富的电池内部信息，但容易受到噪声和干扰。如何通过信号处理技术（如小波变换、傅里叶变换等）进行有效预处理，提取与电池健康状态相关的的特征，并确保这些特征能在机器学习模型中准确应用。不同电池类型、工作环境和衰退机制要求机器学习模型具备较强的适应性。如何优化模型选择，提升其在不同电池间的准确性和泛化能力，是提高诊断与预测精度的难点。锂电池状态受多变量（如电压、电流、温度、SOC、SOH等）影响，且变量间具有复杂的非线性关系。如何有效建模这些交互作用，提升预测精度与系统可靠性。如何在保证高精度的前提下，降低计算复杂度，确保实时响应电池状态变化，尤其在嵌入式系统中设计高效、低延迟算法。期望达到的技术指标：实现电池健康状态（SOH）诊断准确率超过97%，及时识别潜在故障或性能下降；电池剩余寿命（RUL）预测误差不超过2.5%；系统延迟不超过1秒，实时提供健康状态信息并快速响应变化；机器学习模型需适应不同类型、品牌及使用环境的锂电池，确保高精度和可靠性。

高压开关柜的局放信号与故障之间的关系较为复杂，开关柜的潜在故障要准确判断需要结合传感器原理以及故障模式设计有效的诊断算法。本项目采用了超声波、地电波及特高频三种监测原理并设计了分类启动及线性卷积诊断算法。

在热处理领域，由于淬火冷却存在复杂的传热传质过程，热处理工艺是一个复杂的热、力学和化学耦合的过程，因此精确控制热处理的性能和变形仍是一个行业难题。而近年来得益于计算机技术的发展而逐渐成熟的计算机模拟技术为热处理的过程控制提供了一个全新的思路和手段。我们希望通过热处理计算机模拟，进行热处理过程中的力学性能预测，变形和开裂风险评估与控制。

3D打印技术是一种新兴的生产制造技术，也被称为快速成型技术。目前该技术已在生物医药领域有一定的应用。药物非临床研究，目前的常规试验手段仍主要采用二维细胞试验、动物试验或者患者来源异种移植模型评价等，但都存在着诸多问题，如二维细胞模型无法真实而全面地反映体内组织的情况；动物模型作为实验对象会带来较大的伦理问题；患者来源异种移植模型中以移植小鼠为例，由于鼠源与人源性的差异而得到的药物治疗效果往往会有较大差别。而3D打印技术可以重建人体组织/器官的形态和功能并更好地重现体内生理/病理的状态，是现有非临床研究手段很好的补充，也是未来替代动物试验的趋势之一。因此，开发体外3D模型可用于精确的、高通量的、有效的药物非临床研究十分必要。建立3-5种3D生物打印模型，并用不同的药物进行验证，实现至少2种模型可用于药物早期筛选或评价中。

目前的细菌培养法检测周期较长，且灵敏度不高，对部分细菌不适用。需要找到一种快速、灵敏、广谱的细菌检测手段。

目前采用的两点校正方法拟合出得到新的定标曲线对各定标点的回归发光值（RLU）准确性有偏差，需要解决此类问题，最终可以测试得出的试剂项目浓度值准确性均能保证满足5%之内，满足客户实际应用场合。 需求痛点： 1、计算回归点准确性不确定，偏差差异化大。 2、科学性的评判标准。 3、校正方法多样性，是否有更合理的校正方法。 预期指标：两点校正后的新曲线对各定标点的回归发光值准确性应满足偏差在2%之内。临床项目数据相关性满足要求。