Con el desarrollo cualitativo de las microredes de CC, ahora es posible el uso de diferentes cargas con condiciones y características únicas en las redes eléctricas. Debido a las características de impedancia negativa de algunas cargas, que se denominan cargas de potencia constante (CPL), el control de los convertidores de potencia de CC enfrenta enormes desafíos desde el punto de vista de la estabilidad. A pesar de los avances significativos en semiconductores, no hay una actualización en el control de los controladores de puerta para aprovechar todo el potencial de los sistemas de electrónica de potencia. En este artículo, se incorporan cálculos cuánticos en la inteligencia artificial (IA) para estabilizar un convertidor elevador (FB) de CC-CC que alimenta CPL. Con el objetivo de mejorar la estabilización del voltaje del bus del convertidor elevador FB de CC-CC, se desarrolla una metodología de control de aprendizaje por refuerzo profundo cuántico (QDRL). Al definir una función de recompensa de acuerdo con la especificación del convertidor de potencia FB, se cumplen los objetivos de rendimiento y control deseados. La tarea principal de QDRL es ajustar los coeficientes de control incrustados en el controlador de retroalimentación para suprimir el efecto de impedancia negativa resultante de la implementación de las CPL. Al aprovechar las ventajas potenciales de los fundamentos cuánticos, el aprendizaje por refuerzo profundo mejorado por especificaciones cuánticas no solo mejorará el rendimiento del algoritmo DRL en procesos convencionales, sino que también avanzará en áreas de investigación relacionadas como la computación cuántica y la IA. A diferencia de la teoría cuántica básica, que requiere hardware cuántico real, QDRL se puede ejecutar en computadoras clásicas. Para examinar la viabilidad del esquema QDRL, se realizan exámenes de hardware en el lazo (HiL) utilizando el OPAL-RT. La comparación del controlador propuesto con las metodologías clásicas de vanguardia revela la superioridad y viabilidad de los esquemas de control basados en QDRL tanto en condiciones transitorias como en estado estacionario en comparación con otros esquemas. El análisis utilizando varios criterios de rendimiento, incluyendo el error absoluto integral (IAE), el error absoluto integral de tiempo (ITAE), el error absoluto medio (MAE) y el error cuadrático medio (RMSE), demuestra la mejora dinámica del esquema propuesto sobre el control por modo deslizante (aproximadamente 50%) y el control proporcional integral (aproximadamente 100%).