量子科技中心_量科网

图神经网络（GNNs）已成为量子纠错（QEC）解码中一种强大的数据驱动方法，能够直接从症候数据中学习复杂噪声特征。然而，这些解码器对细微对抗性扰动的稳健性仍是亟待解决的关键问题。该工作引入了一种创新框架，通过强化学习（RL）智能体系统性地探测GNN解码器的脆弱性。RL智能体被训练为对抗方，其目标是找到能导致解码器误判的最小症候修改量。研究人员将该框架应用于基于谷歌量子AI实验性表面码数据训练的图注意力网络（GAT）解码器，结果表明RL智能体可成功识别特定的关键脆弱点，仅需少量比特翻转即可实现高攻击成功率。更重要的是，该团队证实通过对抗训练——即使用RL智能体生成的对抗样本重新训练模型——可显著提升解码器的稳健性。这种自动化漏洞发现与针对性再训练的迭代过程，为开发面向容错量子计算的更可靠、更稳健的神经网络解码器提供了创新方法论。