Bài báo này trình bày một khuôn khổ mới để điều tra một cách có hệ thống các lỗ hổng trong bộ giải mã mạng nơ-ron đồ thị (GNN) để sửa lỗi lượng tử (QEC) bằng cách sử dụng các tác nhân học tăng cường (RL). Tác nhân RL được đào tạo như một đối thủ, tìm kiếm sự hiệu chỉnh hội chứng tối thiểu gây ra phân loại sai bộ giải mã. Áp dụng khuôn khổ này cho bộ giải mã mạng chú ý đồ thị (GAT) được đào tạo trên dữ liệu mã bề mặt thử nghiệm từ Google Quantum AI, chúng tôi chứng minh rằng tác nhân RL xác định thành công các lỗ hổng nghiêm trọng cụ thể với tỷ lệ thành công tấn công cao và số lần lật bit tối thiểu. Hơn nữa, chúng tôi chứng minh rằng đào tạo đối thủ, đào tạo lại mô hình bằng các ví dụ đối thủ do tác nhân RL tạo ra, có thể cải thiện đáng kể tính mạnh mẽ của bộ giải mã. Quá trình lặp đi lặp lại này của việc phát hiện lỗ hổng tự động và đào tạo lại theo mục tiêu đưa ra một phương pháp đầy hứa hẹn để phát triển các bộ giải mã mạng nơ-ron đáng tin cậy và mạnh mẽ hơn cho điện toán lượng tử chịu lỗi.
