Op 21 juli 2026 is de eerder voorgestelde 60-qubitpilot daadwerkelijk uitgevoerd via Fire Opal op ibm_fez. Ditmaal betekende meer breedte niet simpelweg een grotere hash. We vervingen de oude invoer door zestig labelvrije coexpressiemodules en hielden het circuit bewust ondiep.
De vaste held-out test gaf het beste hardwarepuntresultaat in deze reeks:
| Route | Balanced accuracy | Correct |
|---|---|---|
| 60-qubit hardware | 0,53125 | 17/32 |
| klassieke lineaire baseline | 0,50000 | 16/32 |
| klassieke RBF-baseline | 0,43750 | 14/32 |
Dit is een positief resultaat op twee assen: de bevroren hardwareclassifier eindigde op deze test vóór beide vooraf vastgelegde klassieke referenties, en de quantumfeatureberekening gaf lokaal een duidelijke tijdseparatie tegenover MPS. Door de kleine testset en de ontbrekende MPS-convergentie is het geen algemene of asymptotische quantum-advantageclaim.
Waarom de eerste 60-qubitroute niet werkte
Onze eerdere 60-qubitroute haalde 15/32 op hardware, tegenover 17/32 ideaal en 19/32 klassiek. De extra qubits droegen toen vooral meer gehashte invoerkanalen. Dat voegde breedte toe, maar niet noodzakelijk stabielere biologische structuur.
De nieuwe pilot veranderde daarom de representatie, niet alleen het aantal qubits:
- zestig coexpressiemodules, geleerd uit een vaste en labelvrije pool van 512 cellen;
- 1.200 variabele genen met detectiefrequentie tussen 1% en 95%;
- deterministische KMeans met
random_state=6110enn_init=20; - per module vier samenvattingen: gemiddeld
log1p, detectiefractie, RMS en het gemiddelde van het bovenste kwartiel; - mediaan/IQR-schaling uitsluitend geleerd op de trainingscellen;
tanh(z/3)en L2-normalisatie per blok.
De modulepool, training en test zijn onderling gescheiden. De testlabels speelden geen rol bij modulevorming, schaling, modelkeuze of hyperparameterkeuze.
Het 60-qubitcircuit
De zestig qubits liggen in een logische 6×10-topologie. De featuremap gebruikt vier invoerblokken, een multiplier van sqrt(60), een logische diepte van 20 en 134 tweequbitinteracties. X-, Y- en Z-metingen leveren samen 627 geordende observabelen per cel.
Voor 32 trainings- en 32 testcellen zijn drie meetcircuits per cel gemaakt:
- 192 circuits;
- 128 shots per circuit;
- 24.576 shots totaal;
- backend
ibm_fez; - Fire Opal action
2335848.
Het Fire Opal-dashboard rapporteerde 26 quantumseconden voor deze taak. Dat is opvallend kort voor 192 circuits op zestig qubits. Het gearchiveerde get_result-antwoord bevatte dit veld niet; daarom vermelden we expliciet dat 26 seconden de dashboardmeting is.
Training-only selectie en blinde test
Binnen de trainingsset koos de quantumroute via cross-validation een RBF-SVC met C=10 en gamma=0,1. De gemiddelde training-only CV-score was 0,59375; de slechtste fold bleef op 0,50000. Pas daarna is één keer op de 32 afgeschermde testcellen geëvalueerd.
Op die test scoorde hardware 17/32, de lineaire baseline 16/32 en de RBF-baseline 14/32. Dat verschil van één cel ten opzichte van de sterkste baseline is klein, maar de richting is voor het eerst positief op echte hardware.
Waarom ook de doorlooptijd interessant is
De eigenlijke quantumtaak duurde volgens het Fire Opal-dashboard slechts 26 seconden. Van indiening tot volledig opgehaald resultaat verstreken ongeveer 8 minuten en 33 seconden; daarin zitten ook orchestratie, compilatie, wachttijd en retrieval. De lokale MPS-controle van exact dezelfde 60-qubitrepresentatie liep 42 minuten en 57 seconden en was toen nog niet geconvergeerd: bond dimension 64 was voltooid, maar bij 128 was slechts één van acht benodigde delen klaar.
Voor dezelfde gespecificeerde 627-featuretarget is 2.577 seconden gedeeld door 26 seconden gelijk aan 99,1. Omdat MPS toen nog niet klaar was, is meer dan 99,1× een gemeten lokale ondergrens voor de kernel-tijdseparatie. Als we de volledige Fire Opal-route van 513 seconden gebruiken, blijft de ondergrens meer dan 5,0×.
Dit is dus een lokale time-to-feature-generation advantage binnen de gedeclareerde resources. Het is nadrukkelijk geen end-to-end tijdvoordeel tegenover gewone klassieke ML: de lineaire en RBF-modellen kunnen rechtstreeks op klassiek voorbereide data worden getraind zonder het 60-qubitcircuit te simuleren. Ook convergeerde MPS niet, zodat geen gematchte numerieke featurefout beschikbaar is.
Statistische grens van dit resultaat
Met 32 testcellen is één fout gelijk aan 3,125 procentpunt. De tweezijdige exacte McNemar-p-waarde tegenover de sterkste lineaire baseline is 1,0. Het 95%-bootstrapinterval voor hardware minus lineair loopt van -0,1875 tot +0,25. Een klassiek voordeel, gelijkspel en hardwarevoordeel blijven dus allemaal verenigbaar met deze kleine steekproef.
We melden het tijdresultaat daarom als een taakgebonden lokale quantum advantage voor featuregeneratie, met een gemeten ondergrens van 99,1× op kerneltijd en 5,0× inclusief retrieval. De voorspellende 17/32-score blijft door de kleine test een empirische aanwijzing, niet bewezen algemene quantum advantage.
De volgende beslispoort
De volgende wetenschappelijke stap is niet automatisch meer quantumtijd gebruiken. Eerst moeten we het ontwerp bevriezen en de volledige klassieke frontier voor een grotere 256/256-split vastleggen. Een grote hardwarefase zou 1.536 circuits van 128 shots vergen en krijgt alleen afzonderlijke toestemming wanneer de extra informatiewaarde opweegt tegen het Fire Opal-budget.