Quantencomputing hat eine Menge großer Probleme – zum Beispiel: Können wir überhaupt genug Qubits bauen, die nicht explodieren? – aber es gibt auch ein alltäglicheres Problem: die Kalibrierung. Supraleitende Qubits, wie sie Google und andere verwenden, sind wie Schneeflocken mit Attitüde: Jedes hat subtile Variationen, und die Mikrowellenpulse, die sie steuern, können abdriften, wenn die Hardware heiß wird. Normalerweise stoppt man alles, um neu zu kalibrieren, was für kurze Berechnungen in Ordnung ist, aber für Marathon-Algorithmen, die Verschlüsselung knacken oder Krebs heilen könnten, ein No-Go.

Googles Lösung? Die Fehlerkorrekturdaten nutzen, die ohnehin gesammelt werden, um Kalibrierungsdrift zu erkennen, und dann Reinforcement Learning anwenden, um etwa 1.000 Kontrollparameter im laufenden Betrieb anzupassen. In ihrem Papier beschreiben sie, wie sie während einer Berechnung absichtlich kleine Störungen auf alle Kontrollparameter anwenden – wie ein Koch, der die Suppe probiert, während sie noch köchelt. Das System schließt dann daraus, welche Anpassungen die Fehler minimieren, und das alles, während es die Fehlerkorrektur des logischen Qubits verwaltet.

Das Team testete dies an zwei logischen Qubits mit verschiedenen Fehlerkorrekturschemata (einem Oberflächencode und einem Farbcode) und stellte fest, dass das aktive Reinforcement Learning die Fehlererkennung um 20 Prozent steigerte. Es gibt einen Haken: Das System funktioniert nur, wenn die Drift klein bleibt – große Schwankungen verwirren es. Aber durch ständige Neubewertung zahlt sich der Kompromiss zwischen Exploration (suboptimale Einstellungen ausprobieren) und Exploitation (bei dem bleiben, was funktioniert) tatsächlich aus, solange die Drift langsam genug ist. Simulationen zeigten, dass es für ein System mit etwa 40.000 Parametern funktioniert.

Das ist nichts für die heutigen Spielzeug-Quantencomputer, die kaum Zeit zum Driften haben. Aber wenn wir jemals Maschinen bauen, die Algorithmen länger als eine Kaffeepause laufen lassen, könnte diese Technik verhindern, dass sie entgleisen. Das Papier erscheint in Nature, 2026.