لدى الحوسبة الكمية الكثير من المشكلات الكبيرة - مثل، هل يمكننا حتى بناء كيوبتات كافية لا تنفجر؟ - ولكن هناك أيضًا مشكلة أكثر دنيوية: المعايرة. الكيوبتات فائقة التوصيل، النوع الذي تستخدمه جوجل وغيرها، تشبه رقاقات الثلج ذات الموقف: لكل منها اختلافات طفيفة، ويمكن لنبضات الميكروويف التي تتحكم بها أن تنحرف مع ارتفاع حرارة الأجهزة. عادةً، توقف كل شيء لإعادة المعايرة، وهو أمر جيد للحسابات القصيرة ولكنه غير مجدٍ للخوارزميات الطويلة التي قد تكسر التشفير أو تعالج السرطان.

حل جوجل؟ استخدام بيانات تصحيح الأخطاء التي يتم جمعها بالفعل لاكتشاف انحراف المعايرة، ثم تطبيق التعلم المعزز لتعديل حوالي 1000 معلمة تحكم أثناء الطيران. في ورقتهم، يصفون تطبيق اضطرابات صغيرة عمدًا على جميع معلمات التحكم أثناء الحساب، مثل طاهٍ يتذوق الحساء بينما لا يزال يغلي. ثم يستنتج النظام أي التعديلات تقلل الأخطاء، كل ذلك أثناء إدارة تصحيح أخطاء الكيوبت المنطقي.

اختبر الفريق هذا على كيوبتين منطقيين باستخدام مخططات تصحيح أخطاء مختلفة (رمز سطحي ورمز لوني) ووجدوا أن التعلم المعزز النشط عزز اكتشاف الأخطاء بنسبة 20 بالمائة. هناك مشكلة: النظام يعمل فقط إذا ظل الانحراف صغيرًا - الاضطرابات الكبيرة تربكه. ولكن من خلال إعادة التقييم باستمرار، فإن المفاضلة بين الاستكشاف (تجربة إعدادات دون المستوى الأمثل) والاستغلال (الالتزام بما يعمل) تؤتي ثمارها بالفعل، طالما أن الانحراف بطيء بما يكفي. أظهرت المحاكاة أنه يعمل لنظام يحتوي على حوالي 40,000 معلمة.

هذا ليس لأجهزة الكمبيوتر الكمية اللعوبة اليوم، التي بالكاد لديها وقت للانحراف. ولكن إذا بنينا يومًا آلات تشغل خوارزميات أطول من استراحة القهوة، فقد تمنعها هذه التقنية من الخروج عن المسار. تظهر الورقة في Nature، 2026.