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.
Wat de laatste controles laten zien
- Hardware: Fez met Fire Opal behaalde 17/32, de Nighthawk-herhaling 16/32; de klassieke lineaire referentie 16/32 en RBF 14/32. De Nighthawk-classifier voorspelde bovendien steeds dezelfde klasse. Deze kleine, hergebruikte testset onderbouwt geen voorspellend of praktisch snelheidsvoordeel.
- Langere streamingproef: een exacte klassieke berekening verwerkt 128 trainings- en 4.096 testcellen in mediaan 1,12 seconde, exclusief laden en eenmalige voorbereiding. Het vaste model haalt op die nieuwe testcellen 2.059/4.096 (50,27%). Voor diezelfde taak is geen overeenkomstige quantumtijd gemeten.
- Laatste lokale circuitonderzoek: 16 varianten en vier basisrotatie-aanpassingen zijn onderzocht. Brede correlaties waren exact nul of zeer klein ten opzichte van de meetruis. De aangepaste varianten bereikten in een ideaal 512-shotmodel ongeveer 48–51% op validatie, tegenover 54,69% voor de vaste klassieke referentie. Dit zijn lokale berekeningen en gesimuleerde metingen, geen nieuwe QPU-resultaten; 23 gerichte tests slaagden.
- Afzonderlijke discrete-logverkenning: het recentste vervolgverslag bespreekt een gespecialiseerde klassieke controle en een telling van quantumrekenwerk. Ook daar ontbreekt een gemeten quantumlooptijd. Een resourceverkenning van die andere QML-taak is geen hardwarebewijs voor deze PBMC-reeks.
Conclusie: het project is leerzaam en leverde werkende hardwareproeven op, maar het beoogde quantumvoordeel is niet bereikt. Dat is geen bewijs dat quantumvoordeel voor iedere QML-taak onmogelijk is. De theorie uit de QOS-paper, met haar eigen aannames en logische qubits, blijft onderscheiden van onze fysieke hardwareproeven.
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. Bouw een expliciete brug naar het volledige QOS-algoritme
De 4q flat-QOS-pilot heeft inmiddels één echte bouwsteen gevalideerd: samples bouwen de officiële fase-sketch en interferentie maakt die sketch meetbaar. Die kernel is echter nog niet gekoppeld aan de PBMC68k-classifier. Omgekeerd gebruikt de 60q-route echte PBMC68k-data, maar zij probeert geen formele QOS-oracle te benaderen: zij vervangt dat onderdeel door vier blokken klassiek berekende rotatiehoeken, korte lagen en lokale Pauli-readout.
Een controleerbare volgende brug zou de zestig genmodules eerst padding geven tot 64 waarden, training-only naar een compacte sampleverdeling vertalen en die via een 6q flat-QOS-sketch verwerken. Pas daarna kan worden onderzocht hoe algemene reële waarden, een herbruikbare query-oracle, QSVT en de beslisfunctie worden toegevoegd. Daarbij moet expliciet worden gemaakt:
- welk deel van de QOS-oracle letterlijk is geïmplementeerd en welk deel is vervangen;
- 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 bijgewerkte conclusie van deze serie is: helaas geen aangetoond quantumvoordeel voor de onderzochte QML-taak.
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.
In deel 8 staan het uitgevoerde 60-qubitprotocol, de 17/32-uitkomst, de timing en de statistische grens volledig beschreven.