Obliczenia kwantowe mają mnóstwo poważnych problemów – na przykład: czy w ogóle uda nam się zbudować wystarczająco dużo kubitów, które nie wybuchną? – ale jest też bardziej przyziemna kwestia: kalibracja. Nadprzewodzące kubity, takie jak te używane przez Google i innych, są jak płatki śniegu z nastawieniem: każdy ma subtelne różnice, a impulsy mikrofalowe, które je kontrolują, mogą dryfować w miarę nagrzewania się sprzętu. Normalnie zatrzymujesz wszystko, aby przeprowadzić ponowną kalibrację, co jest w porządku w przypadku krótkich obliczeń, ale nie wchodzi w grę w przypadku algorytmów maratońskich, które mogłyby złamać szyfrowanie lub wyleczyć raka.

Rozwiązanie Google? Wykorzystaj dane korekcji błędów, które już są zbierane, aby wykryć dryf kalibracji, a następnie zastosuj uczenie przez wzmacnianie, aby dostosować około 1000 parametrów kontrolnych w locie. W swoim artykule opisują celowe stosowanie małych perturbacji do wszystkich parametrów kontrolnych podczas obliczeń, jak szef kuchni próbujący zupy, gdy jeszcze się gotuje. System następnie wnioskuje, które dostosowania minimalizują błędy, jednocześnie zarządzając korekcją błędów logicznego kubitu.

Zespół przetestował to na dwóch logicznych kubitach przy użyciu różnych schematów korekcji błędów (kod powierzchniowy i kod koloru) i odkrył, że aktywne uczenie przez wzmacnianie zwiększyło wykrywanie błędów o 20 procent. Jest pewien haczyk: system działa tylko wtedy, gdy dryf pozostaje mały – duże wahania go dezorientują. Ale poprzez ciągłe ponowne ocenianie, kompromis między eksploracją (próbowanie nieoptymalnych ustawień) a eksploatacją (trzymanie się tego, co działa) faktycznie się opłaca, o ile dryf jest wystarczająco wolny. Symulacje wykazały, że działa to dla systemu z około 40 000 parametrów.

To nie jest dla dzisiejszych zabawek kwantowych, które ledwo mają czas na dryfowanie. Ale jeśli kiedykolwiek zbudujemy maszyny, które uruchamiają algorytmy dłużej niż przerwa na kawę, ta technika może powstrzymać je przed wykolejeniem. Artykuł ukazuje się w Nature, 2026.