У квантовых вычислений полно серьезных проблем — например, можем ли мы вообще построить достаточно кубитов, которые не взрываются? — но есть и более приземленная проблема: калибровка. Сверхпроводящие кубиты, которые используют Google и другие, похожи на снежинки с характером: каждый имеет тонкие вариации, а микроволновые импульсы, управляющие ими, могут дрейфовать по мере нагрева оборудования. Обычно вы останавливаете все, чтобы перекалибровать, что нормально для коротких вычислений, но неприемлемо для марафонских алгоритмов, которые могли бы взломать шифрование или вылечить рак.

Решение Google? Использовать данные коррекции ошибок, которые уже собираются, чтобы обнаружить дрейф калибровки, а затем применить обучение с подкреплением для подстройки примерно 1000 управляющих параметров на лету. В своей статье они описывают намеренное применение малых возмущений ко всем управляющим параметрам во время вычисления, как повар, пробующий суп, пока он еще варится. Затем система выводит, какие корректировки минимизируют ошибки, все время управляя коррекцией ошибок логического кубита.

Команда протестировала это на двух логических кубитах, используя разные схемы коррекции ошибок (поверхностный код и цветовой код), и обнаружила, что активное обучение с подкреплением повысило обнаружение ошибок на 20 процентов. Есть загвоздка: система работает только если дрейф остается малым — большие колебания сбивают ее с толку. Но благодаря постоянной переоценке компромисс между исследованием (попытка неоптимальных настроек) и эксплуатацией (придерживание того, что работает) на самом деле окупается, если дрейф достаточно медленный. Симуляции показали, что это работает для системы с примерно 40 000 параметров.

Это не для сегодняшних игрушечных квантовых компьютеров, которые едва успевают дрейфовать. Но если мы когда-нибудь построим машины, выполняющие алгоритмы дольше, чем перерыв на кофе, эта техника может помешать им сойти с рельсов. Статья опубликована в Nature, 2026.