El agrupamiento es una piedra angular fundamental en el aprendizaje no supervisado, desempeñando un papel crucial en diversas técnicas de minería de datos. La clasificación precisa y eficiente de los datos se erige como un enfoque central para numerosos investigadores y profesionales por igual. En este estudio, diseñamos un método efectivo de clasificación por partición suave que perfecciona y amplía el prototipo del conocido algoritmo de agrupamiento Fuzzy C-Means. Específicamente, el esquema desarrollado emplea una función de membresía para extender los prototipos en una serie de prototipos granulares, logrando así una revelación más profunda de la estructura de los datos. Este proceso divide suavemente los datos en partes centrales y extendidas. La parte central puede ser encapsulada de forma sucinta a través de varios gránulos de información, mientras que la parte extendida carece de geometría discernible y requiere descriptores formales (como fórmulas de membresía). Nuestro objetivo es desarrollar gránulos de información que den forma a la estructura central dentro del conjunto de datos, delinear sus características y explorar la interacción entre estos gránulos que resulta en su deformación. Los prototipos granulares se convierten en el componente principal de los gránulos de información y proporcionan un espacio de optimización para los prototipos tradicionales. Posteriormente, aplicamos la optimización de enjambre de partículas con comportamiento cuántico para identificar la matriz de partición óptima para los datos. Esta matriz optimizada mejora significativamente el rendimiento de la partición de los datos. Los resultados experimentales proporcionan evidencia sustancial de la efectividad del enfoque propuesto.