基于模型无关的多智能体学习实现的实时自适应量子纠错
量子物理
2025-09-05 v1
摘要
我们能否构建能够实时适应时变噪声的高效量子纠错（QEC）系统？本文回答定肯定，并展示了实现方法。我们提出了一个基于强化学习（RL）的两层框架，从头学习以适应非平稳错误的纠错机制。首先，我们利用模型无关的多智能体强化学习（MARL）自动发现完整的 QEC 循环——包括逻辑状态编码、稳定器测量和恢复——无需任何先验系统知识，仅依赖正交性条件。凭借稳定器形式化方法，我们展示了该 MARL 框架能够为多级量子架构发现新颖的 QEC 码。其次，我们引入了 BRAVE（Bandit Retraining for Adaptive Variational Error correction），一种高效算法，可在运行中对变分层进行调优，以改变错误的物理基，使 QEC 码适应时变噪声，同时最小化计算开销并减少 retraining 步数。通过将我们的 MARL 和 BRAVE 方法相结合，并在受制于多种时变比特翻转和相位翻转错误的多级系统中进行测试于各种场景，我们观察到相较于传统 QEC 方案，在时序依赖噪声下，逻辑保真度提升了一个数量级以上。
引用
@article{arxiv.2509.03974,
title = {Real-time adaptive quantum error correction by model-free multi-agent learning},
author = {Manuel Guatto and Francesco Preti and Michael Schilling and Tommaso Calarco and Francisco Andrés Cárdenas-López and Felix Motzoi},
journal= {arXiv preprint arXiv:2509.03974},
year = {2025}
}