우리는 여러 안정자 코드(stabilizer codes)와 노이즈 설정에 걸쳐 증후군(syndrome) 대 복구 매핑(recovery mappings)을 학습하는 통합된 메타-디코딩 프레임워크를 제안하며, 이를 위해 각 구성별로 별도의 디코더가 필요하지 않습니다. 이 벤치마크에는 FiveQubit, Steane, Planar3x3, Planar5x5 코드가 포함되며, 네 가지 노이즈 계열과 다섯 가지 평가 체제(interpolation, unseen-p transfer, unseen-noise transfer, few-shot unseen-code adaptation, 그리고 few-shot held-out-size adaptation)가 포함됩니다. 우리는 고전적인 Meta-MLP 교사 학습 기반 모델을 하드웨어 인식 양자 아키텍처 검색(hardware-aware quantum architecture search)을 통해 큐비트 수, 회로 깊이, 얽힘 위상(entangling topology)으로 선택된 변분 양자 회로(VQC) 메타-디코더와 비교합니다. Meta-MLP는 다섯 가지 체제에 걸쳐 각각 0.9993, 0.9118, 0.9342, 0.6304, 0.7548의 교사 레이블 정확도(teacher-label accuracies)를 달성한 반면, 하드웨어 인식 VQC는 각각 0.9400, 0.8495, 0.8415, 0.5678, 0.7143을 달성했습니다. 하지만 논리 레벨 평가(logical-level evaluation)를 통해 가장 어려운 Planar5x5 설정에서는 높은 교사 레이블 정확도만으로는 불충분하다는 것을 보여줍니다. 보간(interpolation) 과정에서 Meta-MLP와 VQC의 교사에 대한 원시 논리 실패율(raw logical-failure ratios)은 각각 12.08과 25.91이었으나, 신뢰도 게이팅 폴백(confidence-gated fallback)을 적용하자 이 수치들이 각각 1.71과 1.11로 감소했습니다. 이러한 결과는 무조건적인 교사 대체보다는 신뢰도 인식 선택적 복구(confidence-aware selective recovery)를 지지합니다.