De 60-qubitpilot van 21 juli 2026 geeft voor het eerst een positief hardwarepuntresultaat: 17/32 tegenover 16/32 lineair en 14/32 RBF. Dat is een serieuze aanwijzing om verder te testen, maar nog geen bewezen voordeel. Voor een geloofwaardige quantum-ML-claim moeten drie verschillende vragen tegelijk positief worden beantwoord: generaliseert het model, is de quantumroute aantoonbaar moeilijk te evenaren binnen de gekozen klassieke resourcegrens, en klopt de end-to-end resourceboekhouding?
1. Eerst aantoonbare generalisatie
Een volgende studie heeft meer onafhankelijke cellen nodig. Niet alleen een grotere testset, maar ook meerdere vooraf vastgelegde splits of donors. Een bruikbaar minimumprogramma is:
- model- en observablekeuze uitsluitend op trainingdata;
- meerdere vaste, gebalanceerde train/testsplits;
- een volledig onaangeroerde finale testcohort;
- rapportage van balanced accuracy, AUC, calibratie en per-klassefouten;
- betrouwbaarheidsintervallen en een vooraf gekozen paired test;
- biologische controle over verschillende donoren of batches.
Met 32 testcellen kan één cel de conclusie omdraaien. Met honderden testcellen wordt een klein maar consistent verschil veel beter beoordeelbaar.
2. Meer hardwaredata, niet alleen meer qubits
Veertig of zestig qubits klinkt indrukwekkend, maar breedte alleen lost samplearmoede niet op. Zowel 405 features in de 40-qubitroute als 627 observabelen in de nieuwe 60-qubitroute staan tegenover slechts 32 trainingscellen. Dat blijft statistisch ongunstig. Mogelijke verbeteringen zijn:
- meer trainingscellen op hardware uitvoeren;
- het observablepaneel training-only verkleinen;
- meerdere onafhankelijke 128-shotruns uitvoeren;
- calibratiedrift over dagen meten;
- shotbudgetten vergelijken;
- onzekerheid van de quantumfeatures meenemen in de classifier.
Een zestig-qubitcircuit kan minder diep worden gehouden, maar vraagt nog steeds een zorgvuldig readout- en batchontwerp. De kleine sentinel mocht als feasibility-test door toen de geplande MPS-convergentiecontrole niet binnen de beschikbare tijd kon worden voltooid. Voor een grote hardwarefase blijven training-only stabiliteit, een bevroren ontwerp en afzonderlijke toestemming verplicht.
3. Dichter bij het volledige QOS-algoritme
De theoretische classificatiescheiding geldt voor een oracle-sketching- en quantum-lineair-algebraprotocol met formele sampletoegang. Onze featuremap gebruikt vier gehashte blokken, korte rotatielagen en lokale Pauli-readout. De volgende theoretische brug moet expliciet maken:
- welk deel van de QOS-oracle door het circuit wordt benaderd;
- hoe de approximatiefout schaalt met blokken, shots en diepte;
- welke QSVT- of lineaire-solverstappen ontbreken;
- of de 405-featureclassifier dezelfde beslisfunctie benadert als de LS-SVM uit de theorem;
- hoeveel klassieke sidecarinformatie nodig is voor hashing en circuitaansturing.
Zonder die brug is “QOS-inspired” correcter dan “hardware-implementatie van theorem 3”.
4. Een sterkere klassieke frontier
De klassieke tegenstander moet zowel praktisch als resourcebeperkt worden bekeken. Minstens nodig zijn:
- sparse logistische regressie en LinearSVC op alle genen;
- feature selection met uitsluitend trainingdata;
- hashing, sparse JL en streamingmodellen met gemeten geheugen;
- PCA/SVD- en kernelroutes;
- biologische markerbaselines;
- tensor-network- of causal-coneanalyse van het specifieke quantumcircuit;
- runtime, RAM, modelgrootte en energie als afzonderlijke kolommen.
De officiële QOS-repository voegde in mei 2026 sparse JL-projecties toe. Dat is belangrijk: de klassieke frontier beweegt mee. Een advantage-claim moet tegen de nieuwste sterke baseline worden herhaald, niet tegen de baseline waarmee het project begon.
5. Welke advantage bedoelen we?
“Quantum advantage” kan verschillende dingen betekenen:
| Claim | Benodigd bewijs |
|---|---|
| voorspellend voordeel | significant betere held-out prestatie |
| ruimtevoordeel | dezelfde taakprestatie met aantoonbaar minder werkgeheugen |
| tijdvoordeel | lagere eerlijke end-to-endtijd bij dezelfde fouttolerantie |
| samplevoordeel | minder datapunten nodig voor dezelfde generalisatie |
| scaling advantage | gunstiger gemeten groei met probleemgrootte |
De QOS-theorie richt zich vooral op machinegrootte en in dynamische gevallen samplecomplexiteit. Onze pilot meet vooral hardware-uitvoerbaarheid en predictive accuracy. Dat zijn nog verschillende assen.
Een realistische experimentele ladder
Na de geslaagde 60-qubitsentinel bestaat de route vooruit uit vijf nieuwe poorten:
- Bevries de representatie: behoud de zestig labelvrije genmodules, 627 observabelen en classifierselectie zonder testfeedback.
- Verbreed de klassieke frontier: voeg sparse lineaire, kernel-, marker-, JL- en streamingbaselines toe met gemeten tijd en geheugen.
- Grotere lokale splits: test 256/256 en meerdere vooraf gekozen seeds voordat nieuwe hardwaretijd wordt ingezet.
- Grote hardwarebevestiging: voer alleen na afzonderlijke toestemming het bevroren ontwerp uit op meer cellen en registreer alle batchkosten.
- Finale blindtest: evalueer één nog nooit bekeken cohort en publiceer ook een nul- of negatief resultaat.
Pas wanneer de quantumroute op de finale blindtest beter scoort of dezelfde score met een overtuigend lagere gemeten resource bereikt, ontstaat een empirische advantage-claim.
Wat kunnen we nu al zeggen?
De huidige serie eindigt nu met een lokaal gemeten, maar nog steeds afgebakend voordeel:
> Onze 60-qubit QOS-geïnspireerde featuremap was uitvoerbaar op echte hardware, scoorde op de vaste 32-cellentest één cel beter dan de sterkste vooraf gekozen klassieke baseline en bereikte dezelfde gespecificeerde featuretarget in 26 quantumseconden. De MPS-poging was na 2.577 seconden nog onvoltooid: een lokale kernel-tijdseparatie groter dan 99,1×. Dit is een task-specific time-to-feature-generation advantage binnen de gedeclareerde resources, geen algemene quantum-advantageclaim.
In deel 8 staan het uitgevoerde 60-qubitprotocol, de 17/32-uitkomst, de timing en de statistische grens volledig beschreven.