Os autores propõem o QADAPT, um framework para aprendizado por reforço cooperativo multiagente que aborda a interferência cruzada de parâmetros em arrays de pontos quânticos definidos eletrostaticamente, usando uma representação fatorada do espaço de ação aprendida online para desacoplar os agentes.
- O método minimiza a interferência entre agentes por meio de políticas compartilhadas modulares baseadas em medições e recompensas locais.
- Ele alcança generalização zero-shot para tamanhos de dispositivos quânticos não vistos.
- A abordagem mantém um número aproximadamente constante de passos de convergência para atingir regimes alvo, independentemente da escala.
Este trabalho fornece uma rota escalável para a calibração rápida de processadores quânticos em grande escala.