Kvantdatorer har gott om storslagna problem – som, kan vi ens bygga tillräckligt många kvantbitar som inte exploderar? – men det finns också en mer vardaglig fråga: kalibrering. Superledande kvantbitar, den sorten Google och andra använder, är som snöflingor med attityd: var och en har subtila variationer, och mikrovågspulserna som styr dem kan driva när hårdvaran värms upp. Normalt sett stoppar man allt för att omkalibrera, vilket fungerar för korta beräkningar men är en icke-start för maratonalgoritmer som skulle kunna knäcka kryptering eller bota cancer.

Googles lösning? Använd felkorrektionsdata som redan samlas in för att upptäcka kalibreringsdrift, och tillämpa sedan förstärkningsinlärning för att justera ungefär 1 000 kontrollparametrar i farten. I sin artikel beskriver de hur de medvetet applicerar små störningar på alla kontrollparametrar under en beräkning, som en kock som smakar på soppan medan den fortfarande puttrar. Systemet härleder sedan vilka justeringar som minimerar fel, allt medan det hanterar den logiska kvantbitens felkorrigering.

Teamet testade detta på två logiska kvantbitar med olika felkorrigeringsscheman (en ytkod och en färgkod) och fann att den aktiva förstärkningsinlärningen ökade feldetekteringen med 20 procent. Det finns en hake: systemet fungerar bara om driften förblir liten – stora svängningar förvirrar det. Men genom att ständigt omvärdera lönar sig avvägningen mellan utforskning (att prova suboptimala inställningar) och exploatering (att hålla sig till det som fungerar) faktiskt, så länge driften är tillräckligt långsam. Simuleringar visade att det fungerade för ett system med ungefär 40 000 parametrar.

Detta är inte för dagens leksakskvantdatorer, som knappt hinner driva. Men om vi någonsin bygger maskiner som kör algoritmer längre än en kaffepaus, kan denna teknik hindra dem från att spåra ur. Artikeln publiceras i Nature, 2026.