Kuantum hesaplamanın bir sürü büyük sorunu var - mesela, patlamayan yeterli sayıda kübit inşa edebilir miyiz? - ama daha sıradan bir mesele de var: kalibrasyon. Google ve diğerlerinin kullandığı süper iletken kublitler, tavırlı kar taneleri gibidir: her birinin ince farklılıkları vardır ve onları kontrol eden mikrodalga darbeleri donanım ısındıkça sürüklenebilir. Normalde, her şeyi durdurup yeniden kalibre edersiniz, bu kısa hesaplamalar için iyidir ancak şifrelemeyi kırabilecek veya kanseri tedavi edebilecek maraton algoritmaları için imkansızdır.

Google'ın çözümü mü? Halihazırda toplanan hata düzeltme verilerini kalibrasyon sürüklenmesini tespit etmek için kullanmak, ardından takviyeli öğrenmeyi uygulayarak yaklaşık 1.000 kontrol parametresini anında ayarlamak. Makalelerinde, bir aşçının çorba kaynarken tadına bakması gibi, bir hesaplama sırasında tüm kontrol parametrelerine kasıtlı olarak küçük bozucular uyguladıklarını anlatıyorlar. Sistem daha sonra hangi ayarlamaların hataları en aza indirdiğini çıkarıyor, tüm bunları mantıksal kübitin hata düzeltmesini yönetirken yapıyor.

Ekip bunu iki farklı hata düzeltme şeması (bir yüzey kodu ve bir renk kodu) kullanarak iki mantıksal kübit üzerinde test etti ve aktif takviyeli öğrenmenin hata tespitini yüzde 20 artırdığını buldu. Bir pürüz var: sistem yalnızca sürüklenme küçük kalırsa çalışıyor - büyük dalgalanmalar kafasını karıştırıyor. Ancak sürekli yeniden değerlendirme yaparak, keşif (optimal olmayan ayarları denemek) ve sömürü (işe yarayanla devam etmek) arasındaki denge, sürüklenme yeterince yavaş olduğu sürece aslında işe yarıyor. Simülasyonlar, yaklaşık 40.000 parametreli bir sistem için çalıştığını gösterdi.

Bu, bugünün oyuncak kuantum bilgisayarları için değil; onların sürüklenmeye pek zamanı olmuyor. Ancak bir gün bir kahve molasından daha uzun süren algoritmalar çalıştıran makineler inşa edersek, bu teknik onların raydan çıkmasını engelleyebilir. Makale Nature'da, 2026.