Métodos eficientes para codificación y compresión probablemente allanarán el camino hacia el problema de la capacidad de entrenamiento eficiente en espacios de Hilbert de mayor dimensión, superando problemas de mesetas áridas. Aquí, proponemos un enfoque alternativo a los autoencoders variacionales para reducir la dimensionalidad de estados representados en espacios de Hilbert de mayor dimensión. Para ello, construimos un circuito de autoencoder basado en algoritmos variacionales que toma como entrada un conjunto de datos y optimiza los parámetros de un ansatz de Circuito Cuántico Parametrizado (PQC) para producir un estado de salida que puede ser representado como un producto tensorial de dos subsistemas al minimizar. La salida de este circuito se pasa a través de una serie de compuertas de intercambio controladas y mediciones para producir un estado con la mitad del número de qubits manteniendo las características del estado inicial en el mismo espíritu que cualquier técnica de reducción de dimensiones utilizada en algoritmos clásicos. La salida obtenida se utiliza para el aprendizaje supervisado para garantizar el funcionamiento del procedimiento de codificación así desarrollado. Hacemos uso del conjunto de datos de Barras y Rayas (BAS) para una cuadrícula de 8 x 8 para crear estados de codificación eficientes e informamos una precisión de clasificación del 95% en el mismo. Así, el ejemplo demostrado proporciona evidencia del funcionamiento del método en la reducción de estados representados en espacios de Hilbert grandes mientras mantiene las características requeridas para cualquier otro algoritmo de aprendizaje automático que siga.