「臺灣大學-IBM量子電腦中心」,2020年於臺大溪頭教育中心舉辦首屆量子計算Hackathon,2021年因為國內疫情爆發而停辦,2022年於台北三創生活園區11樓舉辦2022量子計算Hackathon,2023年8月8日至8月10日於台北三創生活園區11樓舉辦IBM量子系統使用者大會和為期三天的2023量子計算Hackathon。活動網址為https://quantum.ntu.edu.tw/?p=8700。「臺灣大學-IBM量子電腦中心」自2019年1月由科技部 (現在的國科會)補助成立至今,除提供臺灣學術研發與跨領域交流的量子電腦使用平台外,也執行國內量子計算與量子電腦使用推廣教育的重要任務。
本次Hackathon活動開放報名即吸引超過100人登記,且報名人員多已具有使用IBMQ之經驗,足見近年量子計算推廣已具成效。競賽委員會由報名學員中擇優選出60人參加三天競賽。本次活動也邀請日本慶應義塾大學(Keio University)、韓國延世大學 ( Yonsei University ) 和捷克布拉格捷克技術大學(Czech Technical University in Prague)三個國外大學參與,每個國外學校選派6 位學員參加量子計算Qiskit Hackathon 的競賽活動,使活動更國際與多元化、也更具挑戰與可看性。
本次活動邀請國科會量子系統推動小組召集人果尚志教授開幕致詞,也邀請IBM Quantum 的全球銷售總監Kenneth Wood先生、資深研究科學家Shesha Raghunathan博士進行主題演講。另外本屆競賽為增加挑戰性與趣味性,競賽題目於現場公布給參賽者並當場才完成競賽隊伍組成。參賽者須寫出量子程式並利用Qiskit得出有效結果,並以英文口頭報告給其他參與者及評審委員進行評估。評估標準分為量子技術複雜性,問題原創與解決創意,小組合作與表達,量子未來社會貢獻等方面挑選出優勝團隊。
![](http://18.179.88.191/wp-content/uploads/2023/09/黑客松競賽開幕合照-3-1024x768.jpg)
本次活動主要由國科會補助辦理,也得到IBM Quantum 協助,派教練由遠端指導競賽學員,並派量子計算專家擔任競賽報告評審。另外活動協辦單位有中原大學量子資訊中心、國立台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等。國內企業也積極贊助參與,除派遣員工參加Hackathon競賽,也同時提供豐厚的競賽獎項,除國科會贊助所提供的評審大獎和臺大量子電腦中心獎項之外,另設有鴻海、台塑、科學人雜誌、是德應用科技獎項。IBM Quantum也提供活動水瓶、Qiskit貼紙給參與競賽之學員。培養富有經驗的跨領域人才及建構發展必要應用程式,是往後臺灣在量子科技發展上所需關注的重要工作。推動量子計算教育與學習的普及是進一步帶動國家量子科技產業更上層樓的關鍵。
經過三天不眠不休團隊努力下,2023量子計算Hackathon精彩的落幕了。參賽的14 個團隊隊伍利用IBM Qiskit軟體,針對最佳化、量子化學模擬及量子機器學習等問題進行腦力激盪及交流。各隊伍的結果難分軒輊,最後共有6組團隊得到獎金。
![](http://18.179.88.191/wp-content/uploads/2023/09/黑客松競賽閉幕合照-1024x576.jpg)
第二組團隊以QCNN的量子機器學習架構應用在BirdCLEF2023資料集上訓練,利用量子神經網路模型壓縮高維度資料集,成功由264種不同鳥類的錄音辨識出其種類,得出不亞於古典機器學習方法的辨識率,獲得【企業特別獎Enterprise Special Prize】。
![](http://18.179.88.191/wp-content/uploads/2023/09/企業特別獎-第二組-1024x576.jpg)
第三組團隊以量子錯誤減緩方法(Quantum Error Mitigation)為主題獲得【企業特別獎Enterprise Special Prize】。他們實作Zero Noise Extrapolation (ZNE)於量子自旋鍊(spin chain models)的模擬,讓學員認識到如何利用現有不完美的量子電腦做更準確的計算
![](http://18.179.88.191/wp-content/uploads/2023/09/企業特別獎-第三組-1024x576.jpg)
第九組團隊以「Classical Machine Learning for Quantum Computing」題目獲得【企業特別獎Enterprise Special Prize】。他們研究古典機器學習方法SVM和量子機器學習Quantum Kernel Method在MINST資料集的模型比較,得出結果為SVM在小型資料集較優越,而QKM混合古典方法可以做到遠優於純量子QKM的精確度,並近似於SVM的表現。
![](http://18.179.88.191/wp-content/uploads/2023/09/企業特別獎-第九組-1024x576.jpg)
第十組團隊以 qubit tapering 減低量子化學計算方法中的Qbit使用量。他們透過VQE計算以 qubit tapering 處理過後的分子模型的基態能量,並與未處理的分子模型比較。由於他們的結果運用更少的計算資源達到99.99%的準確度,獲得【企業特別獎Enterprise Special Prize】。
![](http://18.179.88.191/wp-content/uploads/2023/09/企業特別獎-第十組-1024x576.jpg)
第十二組團隊以隊伍以「Information compression in variational quantum circuit」題目榮獲【臺灣大學-IBM量子電腦中心特別獎NTU-IBM Quantum Hub Prize】。他們以Quantum AutoEncoder架構,研究如何壓縮量子資訊並達到縮減量子電路的目的。他們實作此架構於三組不同的量子電路,並成功示範電路壓縮的效果。
![](http://18.179.88.191/wp-content/uploads/2023/09/臺灣大學-IBM量子電腦中心特別獎-第十二組-1024x576.jpg)
第五組團隊以隊伍以「Quantum state preparing」題目榮獲【企評審大獎 Grand Jury Prize】。他們要解決的問題是如何將量子計算所需的初始資料轉為可於量子電路運行的量子態。由於量子態的不穩定性,準確的生成初始態是一項困難的挑戰。他們利用基因演算法(Genetic Algorithms),以小片段的量子電路組成基因池(Gene Pool),用相似於演化的方法迭代出更優秀的基因(電路)。他們將此方法應用於常態分佈的初始態,並在IBM-Q的量子電腦實機模擬,得出99%的準確度。
![](http://18.179.88.191/wp-content/uploads/2023/09/評審大獎-第五組-1024x576.jpg)