تعتبر تقنيات التعلم الآلي الكمي (Quantum Machine Learning) من الأدوات الواعدة في مجال التعرف على الأنماط، خاصة فيما يتعلق بمعالجة الأصوات. ومع ذلك، فإن معظم الأساليب الحالية تفتقر إلى استغلال البنية الزمنية والترددية للبيانات الصوتية، حيث تتعامل مع الطيف الصوتي (Spectrogram) كصور عامة. هنا يأتي دور Q-Patch، وهو خريطة ميزات كوانتية مصممة خصيصًا لمعالجة الصوت، تقوم بتشفير المكونات المحلية من mel-spectrograms إلى حالات كوانتية باستخدام دوائر فعالة من حيث الطاقة وذات ارتباط واعٍ.

تقوم Q-Patch بتلخيص كل جزء محدد من البيانات الصوتية باستخدام واصف صوتي رباعي الأبعاد، مما يمكن من بناء دوائر كوانتية بعمق لا يتجاوز الثلاثة، مما يجعل إنشاء أنوية الكوانتوم عملية عملية في الإعدادات القريبة من التحديات الواقعية. وقد تم تقييم Q-Patch ضمن مهمة كشف التزوير الصوتي باستخدام بروتوكول متوازن ومنظم حيث تم مقارنة أدائها بأساليب تقليدية ذات حجم متكافئ.

تظهر النتائج أن Q-Patch تعزز بشكل ملحوظ من قدرة الكشف عن العينات الحقيقية والمزيفة، محققة منطقة تحت منحنى التشغيل (AUROC) قدرها 0.87، مقارنة بنحو 0.82 لتحقيق خوارزمية دعم المتجهات (RBF-SVM) المدربة على نفس ميزات المستوى.

تظهر التحليلات في فضاء الأنوية هيكلًا واضحًا بين الفئات، مع تشابه عبر الفئات يبلغ حوالي 0.615 وتشابه داخلي ذاتي للفئة يصل إلى 1.00. بشكل عام، توفر Q-Patch إطارًا عملاقًا لدمج التمثيلات المعنية بالتردد الزمني في تعلم الأنوية الكوانتية، مما يعزز دقة تقييم مصداقية الصوت في إعدادات الموارد المنخفضة.