量子科技中心_量科网

该团队提出一种名为Qlustering的量子启发无监督学习算法，该算法利用基于网络的量子输运特性实现数据聚类。与传统基于距离的方法不同，Qlustering将量子粒子在网络上传播的稳态动力学视为计算资源。数据被编码为遵循Lindblad主方程的紧束缚哈密顿量框架中的输入态，而聚类结果则产生于终端节点的稳态输出电流。该算法通过随机更新迭代优化网络哈密顿量，以最小化基于物理原理的成本函数实现收敛。研究团队在合成数据集、局域化问题以及真实化学与生物数据（包括QM9分子数据库子集和鸢尾花数据集）上测试了Qlustering的性能。在这些多样化任务中，相较于k均值等经典方法，该算法尤其在非凸或高维数据场景下展现出竞争优势。其固有鲁棒性、低计算复杂度以及与光子实现方案的兼容性，为构建物理可实现的量子原生聚类架构指明了一条前景广阔的路径。