Light Helps Us Understand Data – From Quantum Samples to Clarity in Data Structures

Abstract

Artiklen undersøger, hvordan kvanteberegninger udført i et optisk lineært interferometer kan anvendes til at forbedre en bestemt clustering-teknik. Udgangspunktet er divisive hierarchical clustering, hvor et dataset rekursivt opdeles i mindre grupper, kaldet clusters, ud fra et lighedskriterie. At finde den optimale gruppering af et datasæt bliver hurtigt beregningsmæssigt uoverkommeligt, da antallet af mulige opdelinger vokser eksponentielt med datasættets størrelse. For potentielt at overkomme denne kompleksitet undersøges brugen af Gaussian boson sampling – en fotonisk kvanteberegningsmodel, der benytter fotoner til at generere output baseret på komplekse statistiske fordelinger, som ikke kan beregnes effektivt med klassiske computere.