量子计算有很多大问题——比如，我们能不能造出足够多不爆炸的量子比特？——但还有一个更平凡的问题：校准。超导量子比特，就是谷歌和其他公司用的那种，像是有脾气的雪花：每个都有细微差异，控制它们的微波脉冲会随着硬件升温而漂移。通常，你得停下来重新校准，这对短计算还行，但对于那些可能破解加密或治愈癌症的马拉松算法来说，根本行不通。

谷歌的解决方案？利用已经收集的纠错数据来发现校准漂移，然后应用强化学习实时调整大约1000个控制参数。在他们的论文中，他们描述了一种方法：在计算过程中故意对所有控制参数施加小扰动，就像厨师在汤还在炖的时候尝一口。系统然后推断哪些调整能最小化错误，同时管理逻辑量子比特的纠错。

团队在两个逻辑量子比特上测试了这种方法，使用了不同的纠错方案（表面码和颜色码），发现主动强化学习将错误检测率提高了20%。有一个问题：系统只在漂移很小的时候有效——大的波动会把它搞糊涂。但通过不断重新评估，探索（尝试次优设置）和利用（坚持有效的方法）之间的权衡实际上是有回报的，只要漂移足够慢。模拟显示，对于一个大约有40000个参数的系统，这种方法有效。

这可不是为了今天那些玩具般的量子计算机，它们几乎没有时间漂移。但如果我们真的造出了能运行比喝杯咖啡时间还长的算法的机器，这项技术可能会防止它们出轨。论文发表在《自然》杂志，2026年。