यह शोधपत्र वेक्टरकृत क्वांटम ब्लॉक एन्कोडिंग का उपयोग करके हिल्बर्ट स्पेस में शास्त्रीय डेटा को एम्बेड करने की एक विधि प्रस्तुत करता है, जिससे क्वांटम ट्रांसफॉर्मर (QT) जैसे क्वांटम मॉडल की दक्षता में सुधार होता है, जो शास्त्रीय स्व-ध्यान तंत्रों को क्वांटम सर्किट सिमुलेशन से प्रतिस्थापित करता है। पारंपरिक QT, गहन पैरामीटरयुक्त क्वांटम सर्किट (PQC) पर निर्भर करते हैं, जो QPU नॉइज़ के प्रति संवेदनशील होते हैं और प्रदर्शन में गिरावट से ग्रस्त होते हैं। इस शोधपत्र में, हम एक वेक्टरकृत क्वांटम ट्रांसफॉर्मर (VQT) का प्रस्ताव करते हैं, जो एक वेक्टरकृत नॉनलाइनियर क्वांटम एनकोडर के माध्यम से कुशल प्रशिक्षण को सक्षम बनाता है और क्वांटम अनुमानित सिमुलेशन के माध्यम से एक आदर्श मास्क्ड अटेंशन मैट्रिक्स की गणना का समर्थन करता है। यह कम शास्त्रीय सैंपलिंग ओवरहेड के साथ शॉट-कुशल, ग्रेडिएंट-मुक्त क्वांटम सर्किट सिमुलेशन (QCS) प्राप्त करता है। IBM और IonQ पर क्वांटम सर्किट सिमुलेशन की सटीकता की तुलना करके, और IBM के अत्याधुनिक उच्च-निष्ठा किंग्स्टन QPU पर प्राकृतिक भाषा प्रसंस्करण कार्यों का बेंचमार्किंग करके, हम प्रतिस्पर्धी परिणाम प्रदर्शित करते हैं। यह शोर-रोधी, मध्यम-स्तरीय, क्वांटम-अनुकूल VQT दृष्टिकोण क्वांटम कंप्यूटिंग में एंड-टू-एंड मशीन लर्निंग के लिए एक नवीन वास्तुकला प्रस्तुत करता है।
