محققان محاسبات کوانتومی و امنیت سایبری یک مدل یادگیری ماشینی ایجاد کرده‌اند که تشخیص تهدیدات امنیت سایبری را بهبود می‌بخشد و قابلیت توضیح و تفسیر نتایج را افزایش می‌دهد. این تیم از شرکت نرم‌افزار کوانتومی Multiverse Computing و متخصص اطلاعات تهدیدی CounterCraft، یک مدل هوش مصنوعی کوانتومی را با استفاده از مجموعه داده‌هایی از ترافیک شبکه واقعی و گزارش‌های سیستم که 100 درصد حملات سایبری را در یک آزمایش شناسایی می‌کرد، آموزش دادند. آنها از روشی به نام وضعیت محصول ماتریس (MPS) استفاده کردند که به جای سیستم‌های مبتنی بر قوانین سنتی برای شناسایی حملات سایبری، از اطلاعات تهدیدی به دست آمده از حملات سایبری استفاده می‌کند. تحلیلگران CounterCraft قبلاً داده‌های مربوط به حملات سایبری را جمع آوری و در داده‌های آموزشی مدل مورد استفاده قرار داده بودند. در طول آزمایشات، محققان دریافتند که این مدل با دقت بیشتری نسبت به مدل‌های کلاسیک، تهدیدات سایبری را شناسایی می‌کند. این مدل همچنین توضیح‌پذیری نتایج الگوریتم را بهبود بخشیده است که یک  ویژگی مورد نیاز کاربران تجاری و تنظیم‌کننده‌ها می‌باشد. رومن اوروس، مدیر ارشد علمی Multiverse Computing گفت: هوش مصنوعی قابل توضیح با ارائه توضیحات واضح برای نتایج و در عین حال بهبود درک تهدیدها و اطمینان از انطباق با مقررات، از تصمیم‌گیری‌های قوی پشتیبانی می‌کند. کار ما با CounterCraft نشان می‌دهد که چگونه تکنیک‌های کوانتومی می‌توانند دفاع امنیت سایبری را در برابر تهدیدات امروزی و آینده تقویت کنند و در عین حال قابلیت توضیح را بهبود بخشند. به گفته CounterCraft، یک حمله سایبری به طور کلی شامل مجموعه‌ای از بین 20 تا 80 رویداد فردی است که هکرها تلاش می‌کنند به سیستم نفوذ کنند. مدل MPS 83.5 درصد از این مراحل را شناسایی کرد و همچنین چندین مرحله از دست رفته در تحلیل کلاسیک را یافت. 

مدیر ارشد فناوری CounterCraft و یکی از بنیان‌گذاران شرکت CounterCraft گفت: ما دید کاملی را در تاکتیک‌ها و تکنیک‌های مهاجم ارائه می‌کنیم تا به مشتریان کمک کنیم تا استراتژی‌های مورد استفاده توسط دشمنان سایبری را پیش‌بینی و درک کنند و این مدل جدید مبتنی بر شبکه‌های تانسور این قابلیت‌ها را بهبود می‌بخشد. توانایی شناسایی حملات ناشناخته در داخل و خارج از شبکه برای شناسایی و پاسخ زودهنگام حیاتی است و یکی از نقاط قوت CounterCraft است. این مدل همچنین داده‌های مصنوعی را ایجاد می کند که می‌تواند برای مدل‌های آموزشی آینده و شبیه سازی فعالیت برای استراتژی‌های فریب استفاده شود. این تیم اکنون قصد دارد آزمایش‌های بیشتری را برای افزایش اثربخشی مدل در سناریوهای مختلف انجام دهد. این مدل می‌تواند در سایر صنایع که به تشخیص ناهنجاری‌ها وابسته هستند، مانند امور مالی، مراقبت‌های بهداشتی، دولتی، زیرساخت‌های حیاتی، تولید و خرده‌فروشی کاربرد داشته باشد.