Les auteurs proposent QADAPT, un cadre d'apprentissage par renforcement multi-agents coopératif qui adresse la diaphonie de paramètres dans les réseaux de points quantiques définis électrostatiquement en utilisant une représentation factorisée apprise en ligne de l'espace d'action pour découpler les agents.
- La méthode minimise les interférences entre les agents grâce à des politiques partagées modulaires basées sur des mesures locales et des récompenses.
- Elle réalise une généralisation zéro-shot vers des tailles de dispositifs quantiques non vues.
- L'approche maintient un nombre approximativement constant d'étapes de convergence pour atteindre les régimes cibles, indépendamment de l'échelle.
Ce travail fournit une voie évolutive vers le calibrage rapide des processeurs quantiques à grande échelle.