Pour surmonter les limites des réseaux de neurones quantiques conventionnels à structures statiques, cet article propose un réseau de neurones quantiques liquides (LQNet) à intelligence dynamique et un réseau de neurones quantiques récurrents en temps continu (CTRQNet). Ces deux modèles présentent des améliorations significatives de la précision par rapport aux réseaux de neurones quantiques conventionnels, atteignant jusqu'à 40 % d'amélioration de la précision lors de la tâche de classification binaire CIFAR-10. Cela suggère leur contribution potentielle à la compréhension de la boîte noire de l'apprentissage automatique quantique.
