Quantencomputer sind empfindlich. Ihre Qubits driften, wenn sich die Umgebung verändert, und um sie genau zu halten, muss man die Maschine normalerweise anhalten und neu justieren. Diese Pause ist heute noch beherrschbar, doch sie steht im Widerspruch zu den Ambitionen des Feldes: Nützliche Quantenalgorithmen müssen eines Tages womöglich Tage oder sogar Monate lang ohne Unterbrechung laufen.

Ein Team von Google Quantum AI und Google DeepMind hat in Nature einen Weg vorgestellt, diese Pause abzuschaffen. Statt Kalibrierung und Berechnung als getrennte Aufgaben zu behandeln, verschmolzen sie beide.

Die Idee baut auf der Quantenfehlerkorrektur auf, jener Routine, die einen Quantencomputer ehrlich hält, indem sie fortlaufend nach Fehlern sucht. Jede Prüfung erzeugt einen Strom von "Fehler"- oder "kein Fehler"-Signalen. Normalerweise dienen diese Signale nur dazu, den logischen Zustand zu reparieren. Die Forschenden gaben ihnen eine zweite Aufgabe: Sie speisen sie in einen Reinforcement-Learning-Agenten ein, der das Fehlermuster liest und die Steuerung der Maschine leise anpasst, um dem Driften entgegenzuwirken, und das, während die Berechnung weiterläuft.

Lernen aus den eigenen Fehlern

Der Agent überwacht mehr als tausend Steuerparameter, jene Einstellungen, die eine abstrakte Fehlerkorrekturschaltung in die analogen Wellenformen übersetzen, die die Qubits tatsächlich steuern. Getestet auf Googles supraleitendem Prozessor Willow, verbesserte das System die logische Stabilität des Surface-Codes um das 3,5-Fache, als das Team gezielt Drift einspeiste, unterstützt durch ergänzende Decoder-Steuerung.

Dabei stellte die Gruppe zugleich Bestwerte für zwei führende Fehlerkorrekturverfahren auf: einen durchschnittlichen logischen Fehler von 7,72 x 10^-4 pro Zyklus für den Surface-Code und 8,19 x 10^-3 für den Colour-Code.

Ermutigend war, dass der Agent auch dann hohe Leistung erreichte, wenn er mit zufälligen Einstellungen startete, ein Hinweis darauf, dass der Ansatz die langsamere, herkömmliche Kalibrierung eines Tages vollständig ersetzen könnte. Numerische Simulationen deutlich größerer Codes, mit Zehntausenden Parametern, legten nahe, dass die Methode auch bei wachsenden Maschinen funktioniert, weil ihre Optimierungsgeschwindigkeit nicht von der Systemgröße abhängt.

Die Autoren betonen, dass die Technik nicht an eine bestimmte Hardware gebunden ist; sie sei "direkt auf jede physikalische Qubit-Modalität und Quantenfehlerkorrektur-Architektur anwendbar". Ihr Fazit fasst den Wandel schlicht zusammen: Die Arbeit "ermöglicht ein neues Paradigma: einen Quantencomputer, der aus seinen Fehlern lernt und niemals aufhört zu rechnen."