Kies een taal / Choose a language
Nederlands
Quantum machine learning klinkt vaak alsof een quantumcomputer een complete database in één keer doorzoekt. Ons experiment doet iets preciezers en interessanters: het probeert het celtype van één cel te voorspellen uit haar genexpressieprofiel. De invoer is een lange, dunbezette vector met RNA-tellingen; de uitvoer is een van twee immuuncelklassen.
Deze achtdelige reeks verbindt drie lagen die gemakkelijk door elkaar raken. De eerste laag is de theorie van Quantum Oracle Sketching (QOS), gepubliceerd in april 2026. Die theorie gaat over een klein quantummodel dat enorme klassieke datastromen verwerkt zonder de hele matrix te bewaren. De tweede laag is de officiële JAX-code en de numerieke PBMC68k-experimenten. De derde laag is onze eigen, ondiepe en QOS-geïnspireerde vertaling naar een circuit dat werkelijk op 40 fysieke qubits van IBM Fez is uitgevoerd via Fire Opal. Het extra achtste deel beschrijft een mogelijke 60-qubitvervolgstudie, maar stelt die uitvoering bewust uit.
De reeks
- Wat is de QML-taak? Cellen classificeren, geen genen opzoeken
- De theorie van Quantum Oracle Sketching
- Van PBMC68k-genexpressie naar 40 qubits
- Van JAX naar een 40-qubit hardwarecircuit
- 405 observabelen en een lekvrije classifier
- Het resultaat: hardware 16, klassiek 17
- Wat is nog nodig voor quantumvoordeel?
- Voorstel: een 60-qubit QML-vervolgstudie
Het experiment in één tabel
| Onderdeel | Waarde |
|---|---|
| Dataset | PBMC68k / Zheng68k |
| Volledige invoer per cel | 32.738 genen |
| Binaire taak | regulatoire CD4-T-cel versus CD4-geheugencel |
| Pilot | 32 training- en 32 testcellen |
| Quantumrepresentatie | 4 blokken van 40 qubits |
| Hardware | IBM Fez via Fire Opal |
| Circuits | 192 circuits, 128 shots per circuit |
| Readout | 405 Pauli-observabelen per cel |
| Hardwaretest | 0,50000 — 16 van 32 correct |
| Klassieke test | 0,53125 — 17 van 32 correct |
Wat deze reeks wel en niet claimt
De uitvoering laat zien dat de volledige route—van echte single-cell RNA-data, via een compacte quantumfeaturemap, naar gemeten hardwarefeatures en een vooraf vastgelegde classifier—technisch uitvoerbaar is. Dat is een concreet hardwaretussenresultaat.
Het is nog geen empirisch quantumvoordeel. De hardware verloor de vaste test met één cel, het onzekerheidsinterval is breed en de gebruikte fysieke qubits zijn niet hetzelfde als de foutgecorrigeerde logische qubits uit de theorie. Ook is onze ondiepe featuremap een hardwaregerichte benadering, niet het volledige QOS/QSVT-algoritme.
Juist daardoor is de reeks nuttig. Zij laat niet alleen zien hoe de theorie werkt, maar ook waar de moeilijke overgang naar echte hardware zit: datatoegang, circuitdiepte, readout, shotruis, generalisatie en een eerlijke klassieke vergelijking.
Primaire bronnen
English
Quantum machine learning is often described as if a quantum computer searches an entire database at once. Our experiment does something more precise and more interesting: it attempts to predict the cell type of a single cell from its gene-expression profile. The input is a long, sparse vector of RNA counts; the output is one of two immune-cell classes.
This eight-part series connects three layers that are easily confused. The first is the theory of Quantum Oracle Sketching (QOS), published in April 2026. That theory concerns a small quantum model processing massive classical data streams without retaining the entire matrix. The second layer is the official JAX code and its numerical PBMC68k experiments. The third is our own shallow, QOS-inspired translation to a circuit that was actually executed on 40 physical qubits of IBM Fez through Fire Opal. The additional eighth part proposes a possible 60-qubit follow-up study, while deliberately postponing its execution.
The series
- What is the QML task? Classifying cells, not looking up genes
- The theory of Quantum Oracle Sketching
- From PBMC68k gene expression to 40 qubits
- From JAX to a 40-qubit hardware circuit
- 405 observables and a leakage-free classifier
- The result: hardware 16, classical 17
- What is still required for quantum advantage?
- Proposal: a 60-qubit QML follow-up study
The experiment in one table
| Component | Value |
|---|---|
| Dataset | PBMC68k / Zheng68k |
| Full input per cell | 32,738 genes |
| Binary task | regulatory CD4 T cell versus CD4 memory T cell |
| Pilot | 32 training and 32 test cells |
| Quantum representation | 4 blocks of 40 qubits |
| Hardware | IBM Fez through Fire Opal |
| Circuits | 192 circuits, 128 shots per circuit |
| Readout | 405 Pauli observables per cell |
| Hardware test | 0.50000 — 16 of 32 correct |
| Classical test | 0.53125 — 17 of 32 correct |
What this series does and does not claim
The execution shows that the complete route—from real single-cell RNA data, through a compact quantum feature map, to measured hardware features and a predeclared classifier—is technically executable. That is a concrete intermediate hardware result.
It is not yet empirical quantum advantage. Hardware lost the fixed test by one cell, the uncertainty interval is wide, and the physical qubits used here are not equivalent to the error-corrected logical qubits in the theory. Our shallow feature map is also a hardware-oriented approximation rather than the complete QOS/QSVT algorithm.
That is exactly why the series is useful. It explains not only how the theory works, but also where the difficult transition to real hardware lies: data access, circuit depth, readout, shot noise, generalisation, and a fair classical comparison.