실제 노이즈가 있는 양자컴퓨터 시뮬레이터에서 모델링한 양자 임베딩 모델은, 커널 알고리즘과 비슷하게 고전적인 데이터를 양자 힐베르트 공간에 임베딩한다. 이와 같은 NISQ(Noisy intermediate scale quantum) 양자컴퓨터는 적은 수의 큐빗과 얕은 회로에 의해 제약되어 복잡한 문제가 제시되었을 때 오류율이 높거나 해결하지 못한다. 이를 해결하기 위해서 러닝 기반 양자 임베딩을 제안하여, 데이터가 힐베르트 공간 상에서 최대한 분리되도록 하는 알고리즘을 구현하였다. 간단한 데이터에 대한 모형을 시뮬레이터 상에서 노이즈의 유무에 따라 모두 구현하였으며, 실제 구현된 알고리즘의 성능을 시간복잡도와 정확성의측면에서 향상됨을 살펴보았다. 또한, 실제 양자컴퓨터에서도 구현하여 양자 우위성을 보였으며 새로운 데이터에대해서도 같은 알고리즘을 적용하여 이론적인 측면에서 기존의 양자 알고리즘을 효과적으로 발전시킬 수 있는 보편적인 방법임을 보였다.
임베딩이 이루어지도록 하는 함수인 커널은 높은 일치도 변수를 가지도록 훈련되며, 임베딩을 통한 양자 머신러닝은 고전적인 방법에 비해서 더 높은 정확도와 낮은 시간복잡도를 준다. 이 방법은 노이즈가 존재하는 양자컴퓨터와 존재하지 않는 양자컴퓨터 모두에서 작용하며, 현재 상용화된 작은 양자 컴퓨터에서는 노이즈의 크기를 거의 무시할 수 있을 정도이다. 이 알고리즘은 일반화시키기 매우 쉬우며, 임의의 형태의 데이터에 대해서 적용할 수 있고 얻은 커널을 통해 데이터를 쉽게 임베딩할 수 있다는 장점이 있다. 다른 형태의 데이터에 대해서 적용된 본 알고리즘은 실제 양자 컴퓨터에서도 높은 효율과 정확성을 보였다. 이 방법은 커널의 훈련 과정만 거친다면, 본격적인 분류나 머신러닝을 위해 후반에 붙는 양자 회로의 종류와 상관없이 임베딩에 의해 효율이 증가하기 때문에 무한한 잠재력을 지닌 방법이며 임베딩을 직접적으로 활용하는 더 복잡한 알고리즘을 사용하는 경우, 임베딩을 통한 양자 컴퓨터의 효율은 더 증가할 것이다.