L'informatique quantique a plein de problèmes de taille - par exemple, peut-on même construire assez de qubits qui n'explosent pas ? - mais il y a aussi un problème plus terre-à-terre : l'étalonnage. Les qubits supraconducteurs, comme ceux utilisés par Google et d'autres, sont comme des flocons de neige avec de l'attitude : chacun a des variations subtiles, et les impulsions micro-ondes qui les contrôlent peuvent dériver à mesure que le matériel chauffe. Normalement, on arrête tout pour recalibrer, ce qui est bien pour des calculs courts mais impossible pour les algorithmes marathon qui pourraient casser le chiffrement ou guérir le cancer.

La solution de Google ? Utiliser les données de correction d'erreurs déjà collectées pour repérer la dérive d'étalonnage, puis appliquer l'apprentissage par renforcement pour ajuster environ 1 000 paramètres de contrôle à la volée. Dans leur article, ils décrivent l'application délibérée de petites perturbations à tous les paramètres de contrôle pendant un calcul, comme un chef qui goûte la soupe pendant qu'elle mijote. Le système déduit ensuite quels ajustements minimisent les erreurs, tout en gérant la correction d'erreurs du qubit logique.

L'équipe a testé cela sur deux qubits logiques utilisant différents schémas de correction d'erreurs (un code de surface et un code de couleur) et a constaté que l'apprentissage par renforcement actif augmentait la détection d'erreurs de 20 pour cent. Il y a un hic : le système ne fonctionne que si la dérive reste faible - les gros écarts le perturbent. Mais en réévaluant constamment, le compromis entre exploration (essayer des réglages sous-optimaux) et exploitation (s'en tenir à ce qui fonctionne) finit par payer, tant que la dérive est suffisamment lente. Les simulations ont montré que cela fonctionnait pour un système d'environ 40 000 paramètres.

Ce n'est pas pour les ordinateurs quantiques jouets d'aujourd'hui, qui ont à peine le temps de dériver. Mais si nous construisons un jour des machines qui exécutent des algorithmes plus longs qu'une pause-café, cette technique pourrait les empêcher de dérailler. L'article paraît dans Nature, 2026.