Het 60-qubitresultaat: hardware 17, lineair 16, RBF 14

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.

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

De hardware-uitvoering is geslaagd, maar de kleine voorspellende voorsprong en de onvoltooide MPS-vergelijking tonen geen quantumvoordeel voor deze QML-taak aan.

Relatie tot de QOS-paper

De 60q-pilot is geen letterlijke QOS-implementatie. De zestig modulewaarden worden klassiek berekend en als rotatiehoeken in een ondiepe RY/RZ/RZZ-featuremap geladen. De route bevat niet de willekeurige sample-opgebouwde query-oracle uit de paper, geen QSVT/lineaire solver en niet de exacte classical-shadowreadout.

Een letterlijke QOS-bouwsteen staat elders in dit project: het afzonderlijke 4q flat-QOS-toymodel voor \(D=16\) en \(M=64\) implementeert de officiële q_state_sketch_flat sampling-kern. Fire Opal-action 2334156 behaalde voor 64 willekeurige kernels gemiddeld 0,990104 Hellinger-fideliteit. Dat 4q-resultaat valideert de sketch-kern, maar niet de volledige classifier. Het 60q-resultaat valideert de brede real-data hardware-adaptatie, maar niet de formele oracleketen. Samen vormen ze een duidelijke, nog onvolledige brug naar de paper.

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=6110 en n_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.

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.

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.

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.