「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。

「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量子計算Hackathon與2023量子計算Hackathon 則皆於台北三創生活園區11樓舉辦。2024年8月19日至8月21日也在台北三創生活園區11樓舉辦IBM量子系統使用者大會和為期三天的2024量子計算Hackathon。活動網址為https://quantum.ntu.edu.tw/?p=9039。

本次Hackathon活動開放報名即吸引超過70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48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6~8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執行長張文豪教授開幕致詞，也邀請本次活動邀請IBM Quantum 的Kevin J. Sung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。

本次活動主要由國科會補助辦理，也得到IBM Quantum 協助，派教練現場指導競賽學員，並派量子計算專家由遠端擔任競賽報告評審。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、緯創、是德應用科技獎項。IBM Quantum也提供活動筆袋、筆記小冊子、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，2024量子計算Hackathon精彩的落幕了。參賽隊伍利用IBM Qiskit軟體，針對最佳化、量子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。

第三組團隊以Quantum-Train架構為基礎透過量子神經網路訓練大型古典神經網路。量子神經網路可以以較少的量子位元表示指數倍古典參數之古典神經網路，並可大幅減低訓練所需記憶體。團隊以CIFAR-10資料集示範得到優於古典訓練方法之結果，獲得【企業特別獎Enterprise Special Prize】。

第四組團隊以「哈密頓量雙重分解」(Hamilton Double Factorization)為主題，榮獲「企業特別獎」。他們使用 ffsim 程式套件實作 H₂、N₂ 及 H₂O 等化學分子的哈密頓量雙重分解，並計算其穩定態能量。學員發現，此方法相較於傳統計算方法更快速，且具有良好的精準度。

第十二組團隊以「Improved Quantum Image Encoding for Quantum Machine Learning with information mixer (Qiix)」題目獲得【企業特別獎Enterprise Special Prize】。他們以Flexible Representation of Quantum Images (FRQI)的方法將圖片資料轉換為量子電腦可處理之初始態，並利用名為 Mixer 的量子轉換器進行後處理及分類任務。結果顯示，結合 Mixer 機制的網絡架構（類似 FNet）具有更強的注意力機制（Attention Mechanism），能提升模型的準確性和效能。最後，團隊進行了詳細的比較分析，發現使用 Mixer 的架構在圖像處理任務中優於不使用 Mixer 的模型。

第十三組團隊以 HHL（Harrow-Hassidim-Lloyd）演算法及其混合變體在求解線性方程組中的應用獲得【企業特別獎Enterprise Special Prize】。混合 HHL 方法結合了經典計算與量子計算，以實現較短的電路深度並提升特徵值估計的精確度。他們針對 2×2 矩陣實作了這兩種演算法，展示了相較於經典方法的潛在優勢，尤其是在更大矩陣的情況下。未來可將該方法應用於數值求解技術及量子機器學習。

第七組團隊以「AI量子電路轉譯」題目榮獲【臺灣大學-IBM量子電腦中心特別獎NTU-IBM Quantum Hub Prize】。量子電路轉譯是量子計算中一個至關重要的過程，旨在將抽象的量子電路轉換為可以在真實量子硬體上執行的形式。這過程涉及優化電路佈局、路由量子位元以及應用各種變換以提升效率。團隊聚焦於使用 Qiskit 中的自定義轉譯技術進行量子電路的優化。他們開發了兩種主要方法：一種是基於機器學習的 Pass Manager，用於收集三量子邏輯閘；另一種是針對 ZZFeatureMap 電路的自定義 Pass Manager。基於機器學習的方法會分析量子電路，識別反覆出現的三量子邏輯閘操作，並嘗試對其進行優化。他們將結果與 Qiskit 的預設轉譯選項（優化等級 0-3）以及 Qiskit 的 AI Transpiler 服務進行比較，可實現兩量子比特閘數和電路深度減少 5-10%。

第一組團隊以「Large-Scale Quantum Circuit Compression」題目榮獲【企評審大獎 Grand Jury Prize】。量子計算目前受限於量子硬體上的錯誤率只能計算固定深度的量子電路。第一組團隊的目標是壓縮這些電路，使其能夠在現有的量子電腦實機上運行。

為此，他們利用來自量子自編碼器(autoencoder)的概念，在模擬器上生成了壓縮後的量子電路，並將其運行於量子電腦實機上。他們通過模擬氫原子來驗證他們的方法。在使用 COBYLA 優化器進行 200 次迭代並應用 15 層的 ansatz 後，他們成功將一個擁有 3901 個閘的量子電路壓縮至僅 47 個閘。對於最大規模的電路，他們的方法在僅 24.74 秒內實現了超過 98.1% 的保真度。在 IBM 量子電腦上測試時，壓縮電路的均方誤差低於 0.025，而原始電路的誤差約為 0.06。此外，對於最大的電路，原始電路的運行時間為 5 秒，而他們的壓縮電路僅需 2 秒，節省了超過一半的運行時間。