RLQ-Grad מחליפה חישוב שיפוע קוונטי במדיניויות קלאסיות שנלמדו, משיגה תאוצה של 2490× ב-20 קיוביטים תוך שמירה על עקומי שונות שטוחים שבהם התפשטות לאחור קורסת. מדגימה הפחתה של בעיית הרמה הישרה ללא הצמדה משאבים אקספוננציאלית.

RLQ-Grad מחליפה חישוב שיפוע קוונטי במדיניויות קלאסיות שנלמדו, משיגה תאוצה של 2490× ב-20 קיוביטים תוך שמירה על עקומי שונות שטוחים שבהם התפשטות לאחור קורסת. מדגימה הפחתה של בעיית הרמה הישרה ללא הצמדה משאבים אקספוננציאלית.
מערכת היברידית קוונטית-קלאסית לגילוי הונאות רומנטיות וזיקה על ידי קידוד הטיות קוגניטיביות במעגלים קוונטיים פרמטריים המאומנים במשותף עם למידה מחוזקת, בהשגה של F1=0.971 בשיחות סינתטיות עם שליליים קשים.
גרעינים קוונטיים בדוקו על נתוני ביקורים אמיתיים של תוכנות זדוניות: גרעיני נאמנות העלו על קו הבסיס הקלאסי (AUC 0.840 לעומת 0.765) אך חסרים הפרדה גיאומטרית כדי להעיד על יתרון קוונטי, בעוד שגרעינים מוקרנים מראים הבדלים גיאומטריים גדולים ללא שיפורי ביצוע תואמים.
מחקר על נוירון קוונטי גוזר חסמים מדויקים על קצב העברת המידע, המראה שדיפייזינג משפר את תגובת ההפעלה. התכנון האופטימלי משיג שיפור של 18.5% בהשוואה לקו הבסיס, אך הגבול היסודי רווי בדינמיקה קלאסית ולא בקוהרנציה קוונטית.
Multiverse Computing שילבה נתונים שנוצרו בטכנולוגיה קוונטית מ-Heron processor של IBM בעל 156 קיוביטים לתוך מודל ה-AI Quasar 1.1 שלה, והשיגה הפחתה של 37.6% בטוקנים וביצועי benchmark משופרים. זו פעם ראשונה שנתונים קוונטומיים משמשים בצינורות אימון AI.
מסגרת חדשנית המבוססת על מדידה בלבד המאשרת את עמידות ההתקפות האדוורסריאליות של מסווגים קוונטיים ללא גישה למעגלים פנימיים—המאפשרת ביקורת אבטחה וביקורת של צד שלישי ותיקוף של מערכות ML קוונטיות מופעלות.
ליבות קוונטיות בנסיגת תהליך גאוסי דורשות כיול זהיר של היפרפרמטרים כדי לאזן בין יכולת ביטוי להתאמת יתר. המחקר חוקר אסטרטגיות סדרה המונעות קריסת ביצועים תוך שמירה על דיוק המודל לצורך מידול פונקציות בתיבה שחורה.