讓具備實力的隊伍充分發揮，也讓新手團隊擁有學習與展現的舞台。
針對具國際競賽培訓背景之隊伍，將訂定相關參賽規範，以兼顧競賽品質與公平性。
鼓勵各隊邀請教練參與指導，提升技術支援與競賽表現。
教練於競賽期間可協助技術方向、分工與策略規劃 。
本屆競賽期間之教練住宿將由主辦單位統一安排並支付相關費用。
參賽隊伍須於 6/26 前，將「參賽審查資料表」寄送至指定電子郵件信箱hipac@niar.org.tw ，以完成報名作業。其中「參賽審查資料表」建議以PDF格式繳交，並以10頁(含)以內為原則，其內容應包含下列項目：
| 內容項目 | 評分佔比 |
|---|---|
| 參賽隊伍基本資料 | -- |
| 參賽隊伍介紹與經驗：含組隊過程、參賽動機、專長或技能、成員平時練習過程及方式，以及大型主機或AI相關使用經驗等 | 20% |
| 事蹟說明：諸如曾參加之相關訓練或其他比賽紀錄與心得等 | 10% |
| 規劃建置的叢集運算與中介軟體環境 | 30% |
| 規劃運用的效能調校技術與優化方法特點...等 | 30% |
| 其他有利審查條件 | 10% |
正規時段開放競賽場地之無線網路連接權限，供參賽隊伍於攤位上連線使用。
非正規時段為無人值守時段(Unattended Time)，該時段將關閉競賽場地之無線網路連線權限，且不提供設備故障排除服務；惟設備持續運作，參賽隊伍得自行運用該時段之計算資源。
| 項目 | 評分指標 | 評分佔比 |
|---|---|---|
| 效能調校 | HPL、HPL-MxP | 10% |
| 應用程式解題 | 〔試題1〕量子計算應用題 | 15% |
| 〔試題2〕大語言模型應用題 | 25% | |
| 〔試題3〕化學應用題 | 15% | |
| 〔試題4〕計算流體力學應用題 | 10% | |
| 隱藏題解題 | 〔試題1〕現場公布 | 10% |
| 成果簡報 | 團隊分工說明、解題技巧方法、專 業技術解說、報告台風展現 | 15% |
| 總計 | 100% |
本次題目聚焦於量子機器學習演算法，參賽者需使用 Qiskit、cuQuantum 與 PyTorch 等套件實作變分量子演算法，結合高速計算系統進行模型訓練與量子模擬。透過多 CPU、多 GPU 與 MPI 等平行化技術，參賽者將學習如何提升模擬效率、縮短訓練時間，進一步優化模型在高效能運算環境下的執行效能。本題期望參賽者能從量子計算與機器學習的基礎概念出發，逐步完成量子機器學習模型的設計、實作與效能分析。
Qiskit 官方文件 :
https://quantum.cloud.ibm.com/docs
cuQuantum：
https://docs.nvidia.com/cuda/cuquantum/latest/index.html
本題聚焦於大語言模型的高效能推論部署與加速。參賽者將使用 vLLM
部署指定的大語言模型，並透過推論框架與相關加速技術進行效能最佳化。
評測將綜合考量推論品質、輸出吞吐量與回應延遲。詳細模型、資料集、加速方式、評測流程與提交格式，將於賽前說明文件或比賽期間公布。
Quantum ESPRESSO為開源的第一性原理材料模擬軟體套件，主要基於密度泛函理論（Density Functional Theory, DFT）、平面波基組與贋勢方法進行電子結構計算。Quantum ESPRESSO 支援能帶結構、態密度、結構最佳化、聲子計算、分子動力學與材料性質分析等多種模擬功能，並具備良好的平行運算能力，可透過 MPI、OpenMP、GPU 加速等方式提升大規模電子結構計算效率。 在本題中，參賽者需要嘗試多種平行加速模式進行計算，並自行評估與建構合適的 Quantum ESPRESSO 編譯與計算環境。參賽者應分析不同平行化設定下之計算效率、資源使用情形與結果正確性，並根據測試結果提出最佳執行組合，以達成高效率且可靠的第一性原理模擬計算。
Quantum ESPRESSO 官方網址
https://www.quantum-espresso.org
Quantum ESPRESSO 使用手冊
https://www.quantum-espresso.org/documentation
以 Physics-Informed Neural Networks（PINNs）於科學計算與流體模擬中的應用為核心，結合機器學習與物理控制方程，解決計算流體力學（Computational Fluid Dynamics, CFD）問題。參賽者需使用 PyTorch 等底層框架，自行設計並實作 PINNs 模型，以 Navier–Stokes eqns為基礎，近似流體之流場現象。 參賽者需設計合適之神經網路架構與損失函數（包含控制方程、初始條件與邊界條件等），並分析模型在準確度與收斂性上的表現。此外，本題亦鼓勵參賽者針對高效能運算環境進行優化，包括 GPU 加速、分散式訓練、混合精度訓練等，以提升模型訓練速度與資源使用效率。
參考資源：
| 硬體規格 | |
|---|---|
| GPU | Intel Xeon Platinum 8480+（56 Core）2顆 |
| GPGPU | NVIDIA H200（SXM、141GB Memory）8片 |
| Memory | 2TB DDR5 Memory |
| Disk（1） | 1.92TB NVMe SSD 2顆 |
| Disk（2） | 3.84TB NVMe SSD 8顆 |
| 網路卡（1） | Single port NVIDIA ConnectX-7 NDR400 8片 |
| 網路卡（2） | Dual port NVIDIA ConnectX-7 200GbE 1片 |
| OS | Ubuntu 22.04 |
| Compiler | 系統預設 |