「臺灣大學-IBM量子電腦中心」自2019年1月由科技部（現為國科會）補助成立至今，持續提供臺灣學術研發與跨領域交流的量子電腦使用平台，並肩負推廣國內量子計算與教育的重要任務。

自2020年於臺大溪頭教育中心舉辦首屆量子計算Hackathon以來，活動歷經疫情停辦（2021），並於2022、2023、2024、2025年連續在台北三創生活園區11樓舉辦。2026年8月12日至8月14日，「IBM量子系統使用者大會」與為期三天的「2026量子計算Hackathon」再度登場，本次地點選在國立臺灣大學物理學系暨凝態科學研究中心1樓舉行。活動網址為：https://quantum.ntu.edu.tw/

今年的Hackathon自開放報名即吸引超過80位學員登記，其中多數具備使用IBMQ的經驗，展現近年量子計算推廣的顯著成效。除了臺灣學員外，本次活動持續邀請國際合作夥伴，包括日本慶應義塾大學（Keio University）、韓國延世大學（Yonsei University）、以及捷克布拉格捷克技術大學（Czech Technical University in Prague），各校派出1至6位學生共同參賽，使比賽更具國際化、多元性與挑戰性。

活動開幕特別邀請國科會自然科學及永續研究發展處李弘文處長與國科會量子系統推動小組執行長張文豪教授 致詞，並由 IBM Quantum 的 Takeshi Watanabe 先生帶來專題演講，分享最新的量子計算發展趨勢。為了提升挑戰性與趣味性，本屆Hackathon依舊採取現場公布競賽題目的方式，並於活動當場進行隊伍分組。參賽者須設計量子程式並透過Qiskit獲得有效解答，最後以英文進行簡報，接受所有與會者及評審的共同檢視。評估標準包括：原創性和獨特性、實用性和複雜性、對量子社群的潛在益處以及簡報內容和團隊協作等，最終將由評審選出優勝團隊，為2026年Hackathon畫下精彩句點。

本次活動主要由國科會補助辦理，並獲得 IBM Quantum 協助，派遣教練於現場指導學員。協辦單位包含國立臺灣大學量子科學與工程研究中心、國立臺灣大學尖端生醫計算及影像研究中心、國家理論科學研究中心物理組、台灣量子電腦暨資訊科技協會、中原大學量子資訊中心等。國內企業也持續積極投入，不僅派遣員工協助競賽，更提供特別獎獎項支持。今年除 國科會贊助的評審大獎 與 臺大IBM量子電腦中心獎 外，另設有 鴻海、台塑、緯創、是德應用科技等企業特別獎獎項。

培養具備跨領域實務經驗的人才，以及建構發展必要的量子應用程式，將是臺灣量子科技持續發展的重要基石。而推廣量子計算教育與普及學習，更是驅動國家量子產業邁向新高度的關鍵。

以下是各獲獎隊伍提交的比賽報告摘要概述：

第一組開發了一套以 變分量子電路 (Variational Quantum Circuit, VQC)  為核心的深度強化學習框架，並結合 Double DQN、經驗回放、ε-greedy探索、獎勵塑形與3-step returns 應用於 CartPole-v1 控制任務。其量子模型採用五層 資料重上傳 (data re-uploading)的變分量子電路，僅需70個可訓練參數，明顯少於標準經典 多層感知器 (MLP) 模型的1282個參數。團隊貢獻包括在IBM_Marrakesh真實量子硬體上進行測試，並以10⁻⁷精度驗證快速量子執行器，以及開放完整程式碼與教學資源，獲得【企業特別獎 (Enterprise Special Prize)】。

第十一組探討如何利用基於樣本的量子對角化 (Sample-Based Quantum Diagonalization, SQD) ，模擬以變分量子演算法 (Variational Quantum Algorithm, VQA) 為電路基礎的費米–赫巴德模型，從基態估算延伸至局域電子移除響應。團隊以 6-site週期性赫巴德環為研究系統，實作 VQA-SQD 工作流程在 IBM Quantum 硬體上的錯誤抑制技術。指出SQD能改善基態能量的估算，並重現電子移除光譜的特徵，尤在局域化系統中表現良好。團隊也利用輔助量子位元與後選擇實作非么正的電子移除操作，發現其結果與直接的SQD計算具有良好的一致性，藉此突顯SQD的潛力與限制，獲得【企業特別獎 (Enterprise Special Prize)】。

第十四組建立了一套可重現的混合式量子強化學習 框架，探討 變分量子電路 (Variational Quantum Circuit, VQC)  在強化學習任務中的應用潛力。團隊以 CartPole-v1 為主要基準，實作並比較量子深度Q網路 (Quantum Deep Q-Networks, QDQN)、量子策略梯度 (Quantum Policy Gradient, QPG)，以及 Q2C/A2Q 等混合式架構，與參數量相近的經典 多層感知器 (MLP) 模型 進行比較。結果顯示，QDQN 的訓練速度優於其他方法，且僅用46個可訓練參數便在5次實驗中有3次解決 CartPole，並在 IBM Marrakesh 真實量子硬體上成功重現16/16次正確的動作決策。此外，團隊也設計了全新的 Spinpole 量子控制遊戲，展示量子強化學習的廣泛應用性，獲得【企業特別獎 (Enterprise Special Prize)】。

第十三組團隊提出將 基於張量網路的近似量子編譯 (Approximate Quantum Compilation with Tensor Networks, AQC-Tensor) 應用到取樣的克雷洛夫量子對角化 (Simple-based Krylov Quantum Diagonalization, SKQD) 中的每一個 克雷洛夫-冪迭代量子電路 (Krylov-power circuit) 藉此壓縮原本隨克雷洛夫維度 增長而變深的時間演化電路，在保留 SKQD 對基態收斂保證的同時，大幅降低了硬體上所需的電路深度，使方法更適合在現有含噪聲的量子裝置上擴展應用。獲得【企業特別獎 (Enterprise Special Prize)】 。

第四組專注於研究如何透過量子持續學習(Quantum Continual Learning, QCL)克服 災難性遺忘(Catastrophic Forgetting)問題——即模型在依序學習多個任務時，訓練新任務會顯著降低在舊任務上的表現。團隊建構一個 變分量子分類器 (variational quantum classifier, VQC)，讓其依序在多個任務上訓練，評估遺忘程度，並實作了 基於測量的參數隔離 (Measurement-based Parameter Isolation, MPI) 與量子生成式回覆(Quantum Generative Reply, QGR)兩種方法提升知識保留能力，同時也在真實 QPU 硬體上進行了驗證。獲得【臺灣大學-IBM量子電腦中心特別獎 (NTU-IBM Quantum Hub Prize)】。

第十組以使用量子近似優化演算法 (Quantum Approximate Optimization Algorithm, QAOA) 模擬正方晶格上的 J1–J2 阻挫伊辛哈密頓量 (Frustrated J1–J2 Ising Model) ，榮獲【評審大獎 (Grand Jury Prize)】。由於最近鄰 (J1) 與次近鄰 (J2) 交互作用相互競爭，導致基態組態難以直接判定，團隊建構對應的伊辛哈密頓量，並用 QAOA 找出代表基態的位元字串 (bitstring) 以估計基態能量，同時輔以經典模擬作為比較基準。團隊在模擬器上以 3×3 (9量子位元) 晶格完成基礎版本的實作，並進一步在 IBM 真實硬體 (Heron / Nighthawk) 上將實驗擴展至 6×6 晶格運行。