Quantum Machine Learning (QML) verspricht Zugang zu exponentiell großen Repräsentationsräumen, die klassischen Systemen verschlossen bleiben. Doch bevor ein Quantencomputer überhaupt rechnen kann, müssen klassische Daten erst in Quantenzustände überführt werden – ein Prozess, der als „Data Encoding" oder „State Preparation" bekannt ist. Der Artikel auf Towards Data Science argumentiert, dass dieser Schritt in der Forschungsdiskussion systematisch unterschätzt wird. Verschiedene Encoding-Strategien wie Amplitude Encoding, Basis Encoding oder Angle Encoding haben jeweils unterschiedliche Kosten in Bezug auf Qubits, Schaltkreistiefe und Fehlertoleranz. Amplitude Encoding etwa ermöglicht kompakte Darstellungen, erfordert aber exponentiell viele Operationen zur Vorbereitung. Dieser Overhead kann den theoretischen Quantenvorteil vollständig zunichte machen, wenn er nicht sorgfältig berücksichtigt wird. Der Beitrag positioniert das Dateneingabeproblem als eine der drängendsten offenen Fragen auf dem Weg zu praktisch nutzbarem QML.