Las redes tensoriales son una herramienta de estructura de datos muy poderosa originada en simulaciones de sistemas cuánticos. En los últimos años, han visto un aumento en su uso en el aprendizaje automático, principalmente en entrenamientos con técnicas basadas en gradientes, debido a su flexibilidad y rendimiento logrado mediante la explotación de la aceleración del hardware. Como ansatzes, las redes tensoriales se pueden utilizar con geometrías flexibles, y se sabe que para las muy regulares, su dimensionalidad tiene un gran impacto en el rendimiento y la capacidad de representación. Sin embargo, para estructuras heterogéneas, estos efectos no están completamente caracterizados. En este artículo, entrenamos redes tensoriales con diferentes geometrías para codificar un estado cuántico aleatorio, y vemos que las estructuras densamente conectadas logran mejores infidelidades que las estructuras más dispersas, con tasas de éxito más altas y menos tiempo. Además, ofrecemos algunas ideas generales sobre cómo mejorar los requisitos de memoria de estas estructuras dispersas y el impacto de dicha mejora en los entrenamientos. Finalmente, dado que utilizamos recursos de HPC para los cálculos, discutimos los requisitos para este enfoque y mostramos mejoras de rendimiento con la aceleración GPU en un supercomputador de última generación.