연구진은 전기적으로 정의된 양자점 배열 튜닝과 같이 큰 파라미터 공간과 활용 가능한 지역 구조를 가진 문제에 적합한 협력 다중 에이전트 강화 학습을 제안했어요.
QADAPT 프레임워크는 온라인으로 학습된 액션 공간의 팩터드 표현을 사용하여 에이전트를 분리하고 간섭을 최소화하며, 지역 측정 및 보상에 기반한 공유 정책 학습을 가능하게 해요.
이 전략은 보이지 않는 양자 장치 크기에 대한 제로샷 일반화 달성과 목표 영역에 도달하기 위한 수렴 단계 수를 일정하게 유지하는 데 기여했어요.