Projectstatus — 20 september 2026
Helaas is voor de hier onderzochte QML-taak geen quantumvoordeel aangetoond. Er is geen aangetoonde tijdwinst bij dezelfde bruikbare voorspelkwaliteit tegenover een sterke klassieke aanpak. Hogere accuracy is daarvoor niet vereist: even goede voorspellingen in minder totale tijd zouden voldoende zijn.
De eerdere vergelijking met een onvoltooide MPS-simulatie bewijst dat voordeel niet. Een klassieke classifier hoeft het quantumcircuit niet na te bootsen om dezelfde classificatietaak op te lossen. De hieronder beschreven hardwareproeven blijven onderzoeksresultaten, geen bewijs van praktisch QML-voordeel. Het project staat onder Work en is uit de Advantage List verwijderd.
Update van 21 juli 2026: 60-qubithardware eindigt vóór beide baselines
De eerdere aanduiding "time-to-feature-generation advantage" trekken we voor de projectconclusie in. Historisch werden 26 quantumseconden en circa 513 seconden tot retrieval vergeleken met een na 2.577 seconden nog onvoltooide MPS-poging. De verhoudingen van meer dan 99,1× en 5,0× zijn geen gematchte snelheidsmeting: MPS leverde geen geconvergeerde uitkomst met dezelfde fout, en een sterke klassieke classifier hoeft deze featuremap niet te simuleren. Voor de volledige QML-taak is daarom geen quantumvoordeel aangetoond. De hardwaregerichte QOS-geïnspireerde 40q/60q-featuremap is bovendien geen letterlijke QOS-implementatie en geen volledige QOS/QSVT-uitvoering. Lees het volledige 60-qubitresultaat in deel 8
Onderstaand hoofdstuk blijft het historische, vooraf bevroren 40-qubitresultaat beschrijven.
Na dagen van dataselectie, representatietests, circuitvalidatie, Fire Opal-uitvoering en lokale analyse komt de vaste test neer op één eenvoudig getalverschil:
| Route | Balanced accuracy | Correct |
|---|---|---|
| 40-qubit hardwarefeatures | 0,50000 | 16/32 |
| klassieke raw-gene frontier | 0,53125 | 17/32 |
| hardware minus klassiek | -0,03125 | -1 cel |
De hardware won dus niet. Maar “klassiek won” is eveneens te groot geformuleerd. Met 32 testcellen is één voorspelling gelijk aan 3,125 procentpunt. De uitkomst is praktisch een gelijkspel rond kansniveau.
Wat gebeurde met het trainingssignaal?
Tijdens training-only cross-validatie scoorde de gekozen hardwareclassifier gemiddeld 0,59375. De klassieke winnaar zat op 0,53125. Dat was een klein lichtpunt: de gemeten quantumfeatures bevatten blijkbaar genoeg structuur om binnen sommige trainingfolds boven kansniveau uit te komen.
Op de vooraf afgeschermde testset zakte hardware echter naar 0,50000. Het signaal generaliseerde dus niet aantoonbaar. Omdat beide eindmodellen hun volledige training perfect fitten, past het patroon bij overfitting of instabiele kleine-samplegeometrie.
We noemen de CV-voorsprong daarom een exploratief trainingssignaal, niet een gedeeltelijk quantumvoordeel.
De paarsgewijze vergelijking
Van de 32 testcellen waren er:
- 7 waarvoor alleen de hardwareclassifier correct was;
- 8 waarvoor alleen de klassieke classifier correct was;
- 17 waarvoor beide correct of beide fout waren.
De exacte tweezijdige McNemar-p-waarde is 1,0. De 95%-bootstrapinterval voor hardware minus klassiek loopt van -0,25 tot +0,1875. Zowel een materieel klassiek voordeel als een hardwarevoordeel past dus nog binnen de onzekerheid van deze pilot.
Ook de afzonderlijke Wilson-intervallen zijn breed:
- hardware: ongeveer 0,336 tot 0,664;
- klassiek: ongeveer 0,364 tot 0,691.
Wat is wél bereikt?
De voorspellende uitkomst is zwak, maar de uitvoering heeft vier concrete resultaten opgeleverd:
- Een echte PBMC68k-cel kan reproduceerbaar van 32.738 genkolommen naar een vierbloks 40-qubitcircuit worden vertaald.
- Een batch van 192 circuits kan via Fire Opal op IBM Fez worden gevalideerd, uitgevoerd en zonder resubmissie teruggehaald.
- Uit slechts drie globale meetbases kunnen 405 geordende features per cel worden gereconstrueerd.
- De hardwarefeatures kunnen in een vooraf vastgelegde, testlekvrije ML-pijplijn worden geëvalueerd tegen een opnieuw berekende klassieke frontier.
Dat is een hardware-feasibility milestone: een bewijs dat de pijplijn uitvoerbaar is. Het is geen bewijs dat de pijplijn al nuttig genoeg generaliseert.
Hoe zit het met de 26 quantumseconden?
De provider rapporteerde 26 QPU-seconden voor de 192 circuits. Dit is opvallend compact vergeleken met sommige volledige klassieke simulaties van brede quantumcircuits. Toch is het geen speedupmeting voor de ML-taak.
Voor een eerlijke tijdclaim moeten we ook tellen:
- klassieke selectie en hashing van genen;
- circuitconstructie en QASM-export;
- providercompilatie en queue;
- Fire Opal-verwerking;
- dataretrieval en observableberekening;
- classifiertraining;
- de tijd van de beste klassieke end-to-endpipeline.
Bovendien gaf de klassieke raw-geneclassifier hier een betere puntenscore. Een korte QPU-kern is niet genoeg wanneer de eindtaak niet beter of goedkoper wordt opgelost.
Waarom dit toch publiceerbaar is
Negatieve en bijna-neutrale hardwaremetingen zijn wetenschappelijk nuttig wanneer het protocol vooraf is vastgelegd. Deze pilot laat precies zien waar een theoretische ruimtewinst onderweg naar NISQ-hardware kan verdwijnen:
- aggressive featurecompressie kan biologisch signaal verwijderen;
- hashbotsingen kunnen interacties vermengen;
- ondiepe circuits kunnen te weinig expressief zijn;
- lawaai en 128 shots vervormen correlaties;
- 32 trainingsvoorbeelden zijn te weinig voor een stabiele 405-dimensionale classifier.
De juiste conclusie is daarom niet “QOS werkt niet”. Het volledige QOS-algoritme is niet getest. De conclusie is: deze ondiepe 40-qubit QOS-geïnspireerde featuremap was uitvoerbaar, maar generaliseerde op de gekozen 32/32-PBMCsplit niet beter dan de klassieke frontier.
De claim in één zin
> We demonstrated an end-to-end 40-qubit hardware-feasible QOS-inspired single-cell classification pipeline; it produced an exploratory training-CV signal but no held-out predictive quantum advantage.
In deel 7 zetten we uiteen welke experimenten nodig zijn om van dit tussenresultaat naar een serieuze advantage-test te gaan.