Este artículo presenta un método para integrar datos clásicos en el espacio de Hilbert mediante codificación de bloques cuánticos vectorizados, mejorando así la eficiencia de modelos cuánticos como el Transformador Cuántico (QT), que reemplaza los mecanismos clásicos de autoatención con simulaciones de circuitos cuánticos. Los QT convencionales se basan en circuitos cuánticos profundamente parametrizados (PQC), susceptibles al ruido de la QPU y con degradación de rendimiento. En este artículo, proponemos un transformador cuántico vectorizado (VQT) que permite un entrenamiento eficiente mediante un codificador cuántico no lineal vectorizado y que facilita el cálculo de una matriz de atención enmascarada ideal mediante simulación cuántica aproximada. Esto logra una simulación de circuitos cuánticos (QCS) eficiente y sin gradientes, con una sobrecarga de muestreo clásica reducida. Al comparar la precisión de las simulaciones de circuitos cuánticos en IBM e IonQ, y al evaluar las tareas de procesamiento del lenguaje natural en la QPU Kingston de alta fidelidad de última generación de IBM, demostramos resultados competitivos. Este enfoque VQT, robusto al ruido, de escala media y compatible con la computación cuántica, presenta una arquitectura novedosa para el aprendizaje automático integral en computación cuántica.
