En este trabajo, se ha estudiado el algoritmo de búsqueda de caminata aleatoria cuántica con una moneda de caminata construida por reflexión de Householder generalizada y multiplicador de fase. El registro de monedas es un qudit con una dimensión arbitraria. Se utilizan simulaciones de Monte Carlo, en combinación con aprendizaje automático supervisado, para encontrar monedas de caminata que hagan que el algoritmo cuántico sea más robusto a desviaciones en los parámetros de la moneda. Esto se logra introduciendo una dependencia funcional entre estos parámetros. Las funciones que proporcionan el mejor rendimiento del algoritmo se estudian en detalle mediante métodos estadísticos numéricos. Una comparación exhaustiva entre nuestra modificación y un algoritmo, con monedas hechas solo con reflexión de Householder, muestra ventajas significativas de la primera. Al aplicar una red neuronal profunda, hacemos una predicción para los parámetros de una moneda óptima con un tamaño arbitrario y estimamos la estabilidad del algoritmo para dicha moneda.