Kwantumcomputers hebben genoeg grote problemen - zoals, kunnen we eigenlijk wel genoeg qubits bouwen die niet ontploffen? - maar er is ook een alledaagser probleem: kalibratie. Supergeleidende qubits, het soort dat Google en anderen gebruiken, zijn als sneeuwvlokken met een attitude: elke heeft subtiele variaties, en de microgolfpulsen die ze aansturen kunnen afdrijven naarmate de hardware opwarmt. Normaal gesproken stop je alles om te herkalibreren, wat prima is voor korte berekeningen, maar een non-starter voor de marathon-algoritmen die encryptie kunnen kraken of kanker kunnen genezen.

Googles oplossing? Gebruik de foutcorrectiegegevens die al worden verzameld om kalibratiedrift te spotten, en pas vervolgens reinforcement learning toe om ruwweg 1.000 controleparameters ter plekke aan te passen. In hun paper beschrijven ze hoe ze tijdens een berekening opzettelijk kleine verstoringen aanbrengen op alle controleparameters, als een chef die soep proeft terwijl het nog suddert. Het systeem leidt vervolgens af welke aanpassingen de fouten minimaliseren, terwijl het de foutcorrectie van de logische qubit beheert.

Het team testte dit op twee logische qubits met verschillende foutcorrectieschema's (een surface code en een color code) en ontdekte dat de actieve reinforcement learning de foutdetectie met 20 procent verbeterde. Er is een addertje onder het gras: het systeem werkt alleen als de drift klein blijft - grote schommelingen verwarren het. Maar door constant te herevalueren, betaalt de afweging tussen exploratie (suboptimale instellingen proberen) en exploitatie (vasthouden aan wat werkt) zich uit, zolang de drift maar langzaam genoeg is. Simulaties toonden aan dat het werkt voor een systeem met ongeveer 40.000 parameters.

Dit is niet voor de speelgoed-kwantumcomputers van vandaag, die nauwelijks tijd hebben om te driften. Maar als we ooit machines bouwen die algoritmen langer dan een koffiepauze draaien, zou deze techniek kunnen voorkomen dat ze ontsporen. Het paper verschijnt in Nature, 2026.