作者提出了 QADAPT，一种用于合作式多智能体强化学习的框架，通过使用在线学习的动作空间分解表示来解耦智能体，从而解决静电定义量子点阵列中的参数串扰问题。

  • 该方法通过基于局部测量和奖励的模块化共享策略，最小化智能体之间的干扰。
  • 它实现了对未见过的量子设备尺寸的零样本泛化。
  • 无论规模如何，该方法都保持大致恒定的收敛步数以达到目标状态。

这项工作为大规模量子处理器的快速校准提供了一条可扩展的途径。