Physics-Informed Neural Networks for Quantum Internet Modeling: Concepts, Implementation, and Future Directions
Notice bibliographique
Résumé
The classical Internet faces increasing limitations as data generation and device interconnectivity expand at unprecedented rates. In recent years, this has highlighted the need for communication frameworks that surpass classical limitations. The quantum Internet (QI), composed of multiple layers of quantum communication networks (QCNs), holds promise for remarkable capabilities in secure transmission, distributed quantum computing, and quantum-enhanced sensing. Accurate and scalable modeling of QCNs is essential for designing, analyzing, and optimizing QI protocols under realistic physical conditions. To model such open quantum systems under Markovian noise, the Lindblad master equation is widely used, but its modeling complexity grows exponentially with the system size. In this work, we introduce a learned approach that utilizes a physics-informed neural network (PINN) to model the dynamics of open quantum systems, which embeds the Lindblad formalism directly into the neural network's loss function. We demonstrate the effectiveness of our method by simulating the entanglement fidelity decay of a two-qubit Bell state under energy damping and phase decoherence noise, which is a relevant scenario for entanglement-based QI protocols. Preliminary numerical results show that the PINN-based solver aligns with conventional partial differential equation techniques while offering improved scalability. These findings suggest that PINNs could serve as an efficient approach for accelerating the analysis of future quantum networking solutions. Finally, we conclude by outlining key future directions for scaling the framework to support QCN-level optimization.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».