混合量子—经典医疗模型能给出预测，却说不清决策来自哪些语义因素、哪些量子门。FQXAI把输入压到8维代理监督语义瓶颈，用高斯模糊隶属度生成IF–THEN理由，并在全部256个语义组合上精确计算Shapley值，省去蒙特卡洛采样。在MIT-BIH心律失常、PneumoniaMNIST与PathMNIST上，模型准确率分别为0.890、0.768、0.726；5%去极化噪声下按SVQX剪枝把CNOT从14降到11、12、10，准确率分别提高2.20、1.74、1.51个百分点。
把量子线路搜索中通常被丢弃的候选模型按认知多样性挑出5个与经典模型融合，在心脏病、电离层、皮马糖尿病和垃圾邮件四个二分类数据集上全部超过池中最强单体模型，最大提升6.03%。
变分量子分类器的精度通常靠增加纠缠门来换，但CNOT的出错率和执行时间都远高于单比特门。OQMD把测量前的读出映射也纳入训练，用可训练的单比特旋转选择测量基，不增加任何CNOT。在Iris的30点分层测试集上，0个CNOT的最佳OQMD配置达到83.33%，高于最佳18-CNOT对照的56.67%；18-CNOT上OQMD峰值从56.67%升到66.67%，但合并均值差距很小。
把量子化学里的“生成模型出电路、量子采样出比特串、经典修复扩展、经典求解器定解”流程搬到最大权重独立集上后，预注册的留出测试给出了否定答案：禁忌搜索的修复盆地质量达0.82–0.94，模拟退火次之，所有量子采样器与匹配的经典学习策略在每一档规模上都落后于这两者。此前一个看似正向的结果来自逐实例从50组配置里挑最好，属于上界而非可部署方法；按随机配置公平评估，oracle QAOA在n=28时只有0.014。
量子DeepONet集成把算子学习的隐藏层代价从稠密层的平方级压到近线性，并首次给出有限样本、不依赖分布的查询平均覆盖率下界。此前量子算子学习只输出带噪点预测，贝叶斯网络与蒙特卡洛丢弃又给不出无分布保证。做法是用量子正交神经网络替换稠密隐藏层，再对独立训练集成的均值与标准差做分裂保形校准。合成反导数与平流基准上相对L2误差为0.46%与2.28%，8模型集成覆盖率92.13%与88.99%，目标为90%。
耗散量子神经网络（DQNN）此前用酉门做感知机，每个感知机只能实现受限的量子变换。新架构把感知机改写为等距映射并加入辅助神经元，使每个构建块都能实现任意完全正迹保持映射，即量子信道通用；在三个量子比特的最小网络上，用Hilbert-Schmidt距离作为代价函数做Choi训练，100个随机量子比特信道上的平均菱形距离为4.55×10⁻⁴，而量子Chernoff界和量子相对熵分别只到0.102和0.386。
HyperQ 在冻结的 11 亿参数掩码扩散语言模型（LLaDA-1.1B）的每个 transformer 块中并联一个量子残差分支，由轻量级电路超网络根据每个词元的隐藏状态连续生成该词元专属的 IQP 电路坐标（旋转角、耦合强度与测量轴），在固定环加弦边集上执行后把期望值经低秩投影残差加回查询-键-值张量；由于该受限两体 IQP 族的期望值存在精确闭式表达、评估代价随量子比特数线性增长，16、32、64 比特电路可在该骨干内训练，六个下游基准平均分从 47.65 升至 52.80 再升至 54.30，64 比特时分别高出冻结骨干 4.71 分和经典低秩适配版本 3.67 分，而微调仅用 20,000 条提示-响应对（经典基线为 200,
已读完全部报道