亞洲大學生物資訊與醫學工程學系（簡稱生醫系）暨AI與量子研究中心博士生 Aninda Astuti，在吳家樂特聘教授及研究中心副主任指導下，於 2026 NTU–IBM Quantum Hub Qiskit Hackathon Taiwan 中，與跨校團隊共同榮獲企業特別獎（Enterprise Special Prize）。這也是 Aninda 第三度獲得是項賽事的企業特別獎。


亞洲大學生醫系及AI與量子研究中心博士生 Aninda Astuti（中）與來自不同學校的團隊成員，於 2026 NTU–IBM Quantum Hub Qiskit Hackathon Taiwan 榮獲企業特別獎。 本次競賽於 2026 年 8 月 12 日至 14 日舉行，為期三天。

本次競賽中，Aninda 與來自 中原大學、美國加州大學聖地牙哥分校（UC San Diego）及國立臺灣師範大學 的學生組成跨校團隊，共同挑戰題目「經典控制深度強化學習中的變分量子電路（Variational Quantum Circuits for Deep Reinforcement Learning in Classic Control）」。
團隊的主要目標是建構以 變分量子電路（Variational Quantum Circuit, VQC） 為核心的 量子深度 Q 網路（Quantum Deep Q-Network, QDQN），使其能夠學習並完成強化學習環境 CartPole-v1 的平衡控制任務。研究過程中整合了量子運算與強化學習技術，包括量子資料編碼（Quantum Data Encoding）、經驗回放（Experience Replay）、目標網路（Target Network）、觀測值正規化（Observation Normalization）以及 ε-貪婪探索策略（Epsilon-Greedy Exploration）等方法。除了完成基本挑戰之外，團隊亦進一步探討多種先進的量子強化學習（Quantum Reinforcement Learning, QRL）架構，包括 Quantum Policy Gradient（QPG）、Double QDQN、Data Re-uploading 技術，以及量子與傳統混合式Actor-Critic 架構 等。實驗結果展現了量子強化學習的發展潛力。在相同條件下，QDQN 模型達到成功解題所需的中位數訓練回合數為 429 回合，明顯優於傳統多層感知器深度 Q 網路（MLP-DQN）的 1,018 回合。此外，QPG 方法在五次測試中皆成功完成任務，其中位數為 947 回合，優於傳統 Policy Gradient 模型的 1,268 回合。研究結果顯示，量子方法在學習效率方面具有潛在優勢，但在穩定性與實際應用上仍存在值得進一步探索的空間。

競賽期間最大的挑戰之一在於極為緊迫的開發時程。參賽隊伍於週三下午約四時取得題目，必須在週五上午 10 時前完成系統開發與成果展示。面對有限時間，團隊首先選擇所有成員都能理解且可共同參與的研究方向，再依據每位成員的專長進行任務分工，使不同模組能同步開發與測試。團隊先建立可運作的基準模型，再逐步延伸至更進階的量子方法。頻繁溝通、快速實驗與即時整合成果，成為團隊成功的重要關鍵。Aninda 表示，這次黑客松競賽讓她深刻體會到，解決複雜研究問題不僅需要先進演算法，更需要正確的研究方向、有效的團隊協作、清楚的溝通能力，以及在有限時間內做出關鍵決策的能力。

此次獲獎經驗也再次證明，跨領域與跨校合作對於推動量子機器學習（Quantum Machine Learning） 與 量子強化學習（Quantum Reinforcement Learning）研究發展具有重要價值。

亞洲大學持續追求創新與卓越，並於 2025 年 9 月 10 日成立AI與量子研究中心。中心成立以來，已成功舉辦三場國際研討會，邀請國內外專家學者進行專題演講，積極推動量子計算相關研究與學術交流。此外，中心於今年通過教育部「青年百億海外圓夢基金計畫」115 年度成果展，共獲核定五項計畫，並帶領六十餘位臺灣青年赴海外參與學習與交流，展現卓越的國際人才培育成果。