यह शोधपत्र सुदृढीकरण अधिगम (RL) एजेंटों का उपयोग करके क्वांटम त्रुटि सुधार (QEC) के लिए ग्राफ न्यूरल नेटवर्क (GNN) डिकोडर्स में कमजोरियों की व्यवस्थित जाँच के लिए एक नया ढाँचा प्रस्तुत करता है। RL एजेंट को एक विरोधी के रूप में प्रशिक्षित किया जाता है, जो न्यूनतम सिंड्रोम सुधार की तलाश में होता है जिससे डिकोडर गलत वर्गीकरण होता है। Google Quantum AI के प्रायोगिक सतह कोड डेटा पर प्रशिक्षित ग्राफ अटेंशन नेटवर्क (GAT) डिकोडर पर इस ढाँचे को लागू करते हुए, हम प्रदर्शित करते हैं कि RL एजेंट उच्च आक्रमण सफलता दर और न्यूनतम बिट फ़्लिप के साथ विशिष्ट महत्वपूर्ण कमजोरियों की सफलतापूर्वक पहचान करता है। इसके अलावा, हम प्रदर्शित करते हैं कि विरोधी प्रशिक्षण, जो RL एजेंट द्वारा उत्पन्न विरोधी उदाहरणों का उपयोग करके मॉडल को पुनः प्रशिक्षित करता है, डिकोडर की मजबूती में उल्लेखनीय रूप से सुधार कर सकता है।
