Los métodos convencionales para resolver las ecuaciones de Navier-Stokes (NS) para analizar campos de flujo y fuerzas aerodinámicas de perfiles alares con flaps de borde de salida (TEF) son conocidos por su significativo costo temporal. Este estudio presenta un marco de aprendizaje profundo llamado Multi-Task Swin Transformer (MT-Swin-T) diseñado para la rápida predicción de campos de velocidad y coeficientes aerodinámicos de perfiles alares equipados con TEF. El modelo propuesto combina un Swin Transformer (Swin-T) para la predicción del campo de flujo con un perceptrón multicapa (MLP) dedicado a la predicción del coeficiente de sustentación. Ambas redes se actualizan mediante gradientes a través del componente de codificador compartido del Swin Transformer. Un modelo de red entrenado para simulaciones de dinámica de fluidos es tanto efectivo como robusto, mejorando significativamente la eficiencia de la optimización del diseño de formas aerodinámicas complejas y el control del flujo. El estudio investiga además el impacto de integrar funciones de pérdida de aprendizaje multitarea, conexiones de salto y el diseño estructural de la red en la precisión de la predicción. Además, se examina la efectividad del aprendizaje profundo en la mejora de la eficiencia de simulación aerodinámica de perfiles alares con TEF. Los resultados demuestran que el enfoque de aprendizaje profundo multitarea proporciona predicciones precisas para los campos de flujo de perfiles alares con TEF y los coeficientes de sustentación. La combinación estratégica de estas tareas durante el entrenamiento de la red, junto con la selección óptima de funciones de pérdida, mejora significativamente la precisión de la predicción en comparación con la red de tarea única. En un estudio de caso específico, el modelo MT-Swin-T demostró un tiempo de predicción que fue 1/7214 del tiempo requerido por la simulación CFD.