Il calcolo quantistico ha un sacco di problemi grossi - tipo, riusciremo mai a costruire abbastanza qubit che non esplodono? - ma c'è anche un problema più banale: la calibrazione. I qubit superconduttori, quelli usati da Google e altri, sono come fiocchi di neve con attitudine: ognuno ha sottili variazioni, e gli impulsi a microonde che li controllano possono andare alla deriva mentre l'hardware si scalda. Normalmente, fermi tutto per ricalibrare, il che va bene per calcoli brevi ma è un non-starter per gli algoritmi maratona che potrebbero decifrare la crittografia o curare il cancro.

La soluzione di Google? Usare i dati di correzione degli errori già raccolti per individuare la deriva di calibrazione, poi applicare l'apprendimento per rinforzo per regolare al volo circa 1.000 parametri di controllo. Nel loro articolo, descrivono di aver deliberatamente applicato piccole perturbazioni a tutti i parametri di controllo durante un calcolo, come uno chef che assaggia la zuppa mentre ancora sobbolle. Il sistema poi deduce quali regolazioni minimizzano gli errori, tutto mentre gestisce la correzione degli errori del qubit logico.

Il team ha testato questo su due qubit logici usando diversi schemi di correzione degli errori (un codice di superficie e un codice colore) e ha scoperto che l'apprendimento per rinforzo attivo ha aumentato il rilevamento degli errori del 20 percento. C'è un problema: il sistema funziona solo se la deriva rimane piccola - grandi oscillazioni lo confondono. Ma rivalutando costantemente, il compromesso tra esplorazione (provare impostazioni subottimali) e sfruttamento (attenersi a ciò che funziona) in realtà paga, purché la deriva sia abbastanza lenta. Le simulazioni hanno mostrato che funziona per un sistema con circa 40.000 parametri.

Questo non è per i computer quantistici giocattolo di oggi, che a malapena hanno tempo di andare alla deriva. Ma se mai costruiremo macchine che eseguono algoritmi più lunghi di una pausa caffè, questa tecnica potrebbe impedire loro di uscire dai binari. L'articolo appare su Nature, 2026.