通过无模型多智能体学习实现实时自适应量子纠错
能否构建出高效的自适应时变噪声的量子纠错（QEC）方案？该研究团队给出了肯定答案并展示了实现路径。研究人员提出了一种基于强化学习（RL）的双层框架，该框架能从零开始学习纠正包括非稳态误差在内的各类错误。在第一层级，该工作利用无模型多智能体强化学习（MARL），仅依靠正交性条件即可自动发现完整的QEC周期——包括逻辑态编码、稳定子测量和恢复操作——无需任何先验系统知识。通过运用稳定子形式体系，该团队证明该MARL框架能够发现面向多能级量子架构的新型QEC编码方案。在第二层级，研究人员引入了BRAVE（自适应变分纠错的赌博机重训练算法），这种高效算法可动态调整变分层以改变错误的物理基础，使QEC编码适应时变噪声，同时最大限度减少计算开销并降低重训练步骤数。通过将MARL与BRAVE方法相结合，并在多能级系统中针对随时间变化的比特翻转与相位翻转竞争性误差进行多场景测试，该工作观察到：在时变噪声通道下，方案较传统QEC方法的逻辑保真度提升超过一个数量级。
