使用强化学习探索与提升GNN-based QEC解码器的鲁棒性

图神经网络（GNN）作为一种强大的、数据驱动的方法，已成为量子误差纠正（QEC）解码的热门选择，能够从syndrome数据中直接学习复杂的噪声特征。然而，这些解码器针对细微、对抗性扰动的鲁棒性仍是一个关键且尚未解决的问题。本工作引入了一种新框架，通过强化学习（RL）智能体系统地探测GNN解码器的脆弱性。该RL智能体被训练为一个对手，其目标是找到导致解码器误分类的最小syndrome修改。我们将该框架应用于基于图注意力网络（GAT）的解码器，该解码器在来自Google Quantum AI的实验表面代码数据上进行训练。我们的结果表明，RL智能体能够成功识别特定的关键脆弱性，通过最小数量的位翻转实现高攻击成功率。此外，我们展示了通过对抗性训练显著提升了解码器的鲁棒性——即模型在RL智能体生成的对抗性样本上进行重新训练。这种自动化漏洞发现和针对性重新训练的迭代过程，为开发更可靠、更具鲁棒性的神经网络解码器提供了前景的 methodology，以实现容错量子计算。