Quantenzustände kollabieren oder verfälschen sich bereits durch minimale Umgebungseinflüsse – ein Phänomen, das als Dekohärenz bezeichnet wird. Für Quantum Machine Learning ist das ein zentrales Problem, weil Algorithmen auf kohärenten Überlagerungen (Superpositionen) und Verschränkungen beruhen, die durch Rauschen zerstört werden, bevor ein Berechnungsergebnis ausgelesen werden kann. Klassische Fehlerkorrektur-Ansätze – etwa einfache Bit-Redundanz – lassen sich nicht direkt auf Quantensysteme übertragen, da das Messen eines Quantenzustands ihn unweigerlich verändert (No-Cloning-Theorem). Quantum Error Correction (QEC) umgeht dies, indem logische Qubits über viele physikalische Qubits verteilt werden und Fehlersyndrome gemessen werden, ohne den eigentlichen Quantenzustand zu kollabieren. Der Artikel erklärt diese Grundprinzipien und ordnet sie in den Kontext von Quantum ML ein: Erst wenn Fehlerraten unter eine kritische Schwelle sinken, werden fehlertolerante, groß angelegte Quantenberechnungen realistisch. Die Verbindung zu Machine Learning ist direkt: Quantenalgorithmen für Optimierung, lineare Algebra oder Sampling profitieren erst dann von einem echten Vorteil gegenüber klassischen Systemen, wenn Dekohärenz zuverlässig unterdrückt werden kann.