Calculatoarele cuantice au o mulțime de probleme mari - de exemplu, putem construi suficienți qubiți care să nu explodeze? - dar există și o problemă mai banală: calibrarea. Qubiții supraconductori, genul pe care îl folosesc Google și alții, sunt ca fulgii de zăpadă cu atitudine: fiecare are variații subtile, iar impulsurile cu microunde care îi controlează pot deriva pe măsură ce hardware-ul se încălzește. În mod normal, oprești totul pentru a recalibra, ceea ce e bine pentru calcule scurte, dar e un non-starter pentru algoritmii maraton care ar putea sparge criptarea sau vindeca cancerul.

Soluția Google? Folosește datele de corectare a erorilor care sunt deja colectate pentru a detecta deriva de calibrare, apoi aplică învățare prin consolidare pentru a ajusta aproximativ 1.000 de parametri de control din mers. În lucrarea lor, descriu aplicarea deliberată a unor mici perturbații asupra tuturor parametrilor de control în timpul unui calcul, ca un bucătar care gustă supa în timp ce încă fierbe. Sistemul deduce apoi care ajustări minimizează erorile, totul în timp ce gestionează corectarea erorilor qubitului logic.

Echipa a testat acest lucru pe doi qubiți logici folosind scheme diferite de corectare a erorilor (un cod de suprafață și un cod de culoare) și a constatat că învățarea activă prin consolidare a crescut detectarea erorilor cu 20 la sută. Există o captură: sistemul funcționează doar dacă deriva rămâne mică - oscilațiile mari îl derutează. Dar prin reevaluare constantă, compromisul între explorare (încercarea setărilor suboptimale) și exploatare (rămânerea la ce funcționează) chiar dă roade, atâta timp cât deriva este suficient de lentă. Simulările au arătat că funcționează pentru un sistem cu aproximativ 40.000 de parametri.

Acest lucru nu este pentru calculatoarele cuantice jucărie de azi, care abia au timp să derive. Dar dacă vom construi vreodată mașini care rulează algoritmi mai mult decât o pauză de cafea, această tehnică le-ar putea împiedica să deraieze. Lucrarea apare în Nature, 2026.