一、前言

英國國家量子運算中心(National Quantum Computing Centre, NQCC)於 2025 年發布《量子運算應用案例彙整》(Quantum Computing Use Case Compendium)，彙整 2023 至 2025 年間由 NQCC 協同產業推動之量子運算應用研究成果，涵蓋金融、生醫、材料及公共基礎設施等多個領域。以下分別就主要應用領域之代表性案例進行介紹 (摘要請參閱圖一)。

二、金融領域

(一) 信用卡詐欺偵測
信用卡交易資料中，由於詐欺交易所佔比例極低，導致整體資料呈現高度不平衡結構。傳統仰賴大量歷史資料訓練的機器學習模型，受限於詐欺樣本不足，在實務應用上難以維持穩定且精準的辨識效能。針對此一挑戰，Unisys 團隊導入量子機器學習(quantum machine learning, QML)註方法，利用量子受限玻爾茲曼機(Quantum Restricted Boltzmann Machine, QRBM)建立交易異常偵測模型。QRBM能在大量交易資料中精準捕捉細微的特徵與隱藏規律，使原本不易察覺的詐欺行為更易被辨識。模型以歐洲持卡人的匿名信用卡交易公開資料進行訓練與驗證。研究結果顯示，即使在高度不平衡的資料條件下，模型仍展現穩定之偵測能力與良好整體效能，顯示量子機器學習於不平衡資料處理上的應用潛力。

註：量子機器學習(QML)：結合量子力學特性(如疊加與糾纏)所設計的機器學習方法，用以提升對複雜資料的分析與處理能力。

(二) 詐欺交易偵測優化
金融詐欺每年影響數百萬英國民眾。根據2023 年統計，金融犯罪已占英國刑事案件的 40%，造成逾 23 億英鎊的經濟損失。現行機器學習模型已廣泛應用於辨識潛在詐欺交易，然而在有效防堵詐騙與降低誤判之間取得平衡仍具挑戰，且隨著詐欺手法不斷演變，對更高精準度之偵測技術需求亦日益提升。因此，Rigetti UK、匯豐銀行、愛丁堡大學量子軟體實驗室合作，發展量子啟發式(quantum-inspired)註機器學習模型，並結合創新的資料前處理技術，以強化交易資料的辨識能力並提升模型訓練效率。研究顯示，當模型聚焦於金額較高(前 10%)之交易資料時，其偵測效能提升最為顯著，顯示量子啟發式方法在高價值交易風險辨識上具潛在優勢。

註：量子啟發式(Quantum-inspired)：依量子運算架構設計，並於傳統電腦執行之演算法或模型，多用於處理複雜結構或最佳化問題。

三、生醫領域

(一) 液態活檢癌症分類
液態活檢(Liquid Biopsy)已逐漸成為癌症早期偵測的重要工具，藉由分析體液中的癌細胞與癌症相關 DNA 變異來辨識癌症。然而，如何在液態活檢資料中精準區分不同癌症類型，仍是臨床醫療面臨的一項挑戰。為此，由 Applied Quantum Computing領導的團隊探討量子機器學習在癌症分類上的應用。研究先對多種癌症類型的資料進行特徵篩選，隨後導入量子支持向量機(Quantum Support Vector Machine, QSVM)進行分類訓練。量子支持向量機可有效處理結構複雜之資料，提升分類效能。研究結果顯示，此技術能在多數案例中具有良好的表現，且在部分情境下優於以深度神經網路為基礎的分類器。

(二) 癌症多體學分群分析
在癌症研究中，多體學(multi-omics)方法可整合來自同一病患的不同體學資料，例如蛋白質體學、基因體學與代謝體學等，協助研究者全面了解癌症在分子層面的變化與臨床表現的關聯。然而，多體學資料分析的計算成本高，且隨著資料規模與複雜度提升，分析難度亦隨之增加。為此，Infleqtion與 Avatrial 合作探討量子機器學習(QML)技術在多體學資料分群上的潛力。研究結果顯示，在區分正常與腫瘤樣本，QML的表現與傳統方法相當。而在進一步針對腫瘤樣本進行分群時，傳統方法多著重於辨識特定分子的差異，QML 則較能呈現不同體學資料間的整體關聯性，顯示其在多體學資料分群分析上的潛在優勢。

四、工程與材料模擬

(一) 電池材料模擬
先進電池材料的設計與優化，是潔淨能源發展的重要環節。核磁共振（NMR）光譜可用於解析電池材料內部的原子結構與其周遭的化學環境，然而，光譜訊號的精準詮釋，仍須仰賴對材料微觀結構與原子交互作用之模擬。為此，由 Quantinuum主導的團隊結合量子與傳統電腦的運算方法，建構混合式計算流程，用以模擬電池材料的 NMR 光譜，並以鋰鈷氧化物作為驗證案例。同時，研究亦評估大規模 NMR 模擬所需之量子位元數量與相關運算資源。初步成果顯示，此混合式運算流程可應用於複雜材料模擬分析，有助於支持電池材料研發，未來可進一步延伸至催化劑與稀土金屬等材料領域。

(二) 航太流體模擬
在航太產業中，計算流體力學(CFD)是用以預測氣流與飛行器互動、優化翼型設計與提升燃油效率的重要工具。然而，傳統 CFD 模擬需耗費大量運算資源，且隨著精度要求提高，計算時間與成本亦隨之增加，使產業仍高度依賴成本高昂且耗時的實體風洞試驗。為此，Quanscient 與 Oxford Ionics 展開合作，結合 Quanscient 所開發之量子 CFD 演算法與 Oxford Ionics 提供之量子模擬器，成功模擬特定翼型周圍之氣流行為，初步驗證技術的可行性，並展現量子運算於提升航太流體模擬上的應用潛力。

五、公共基礎設施與緊急應變

(一) 災害應變通訊配置最佳化
在天然災害發生後，如何迅速部署無線電通訊與感測節點，以確保關鍵區域獲得穩定的通訊支援，仍是一項重要挑戰。此類規劃需在「最大化網路覆蓋範圍」與「最小化部署資源」之間取得平衡，屬於複雜的最佳化問題。為此，由 Mindfoundry 主導的團隊發展新的計算方法，以因應通訊網路配置之最佳化需求，並探討量子退火(quantum annealing)等量子最佳化(Quantum Optimization)技術之應用可能性。研究結果顯示，該方法在特定災害情境下能產生較佳的節點配置方案，未來有望提升緊急應變網路的部署效率。

(二) 道路維護排程最佳化
道路維護與施工為維持交通運輸系統安全與穩定運作之必要措施，惟施工期間常導致道路封閉、壅塞與延誤，對民眾生活與經濟活動造成影響。如何在多重限制與成本條件下妥善安排施工時間與順序，以降低公共干擾並提升資源運用效率，屬於複雜的排程最佳化問題。為了因應此挑戰，由 Aioi R&D Labs主導的團隊探討量子最佳化技術於道路施工排程中的應用，並於量子硬體平台上進行實作與測試。研究結果顯示，在較小規模之排程情境下，現階段量子硬體已展現初步應用之可行性。未來，相關技術有望協助主管機關更有效率地規劃施工時程，降低社會成本並提升基礎設施維護效能。