تُعتبر الشبكات العصبية الرسومية (Graph Neural Networks - GNNs) من أبرز الأدوات الذكية في معالجة البيانات المهيكلة على شكل رسوم بيانية، ولكنها تواجه مشكلتين رئيسيتين تؤثران على أدائها. أولاً، فإنّ تقنية تمرير الرسائل تُظهر كفاءة منخفضة تحت فرضية التجانس (homophily)، مما يقلل من فعالية الأداء في الرسوم البيانية غير المتجانسة. ثانيًا، يؤدي تكديس الطبقات إلى دفع ميزات العقد نحو ثوابت، مما يتسبب في مشكلة التماثل المفرط (over-smoothing).

في هذا السياق، يأتي نموذج CTQW-GNN ليغير قواعد اللعبة، حيث يستخدم تقنية سير الكوانتم المستمر (Continuous-Time Quantum Walks - CTQW) لمعالجة هاتين المشكلتين بطريقة مبتكرة مدعومة بأسس نظرية. يعتمد تصميم النموذج على خاصيتين رئيسيتين للـ CTQW:

1. **الخاصية الأولى**: الحفاظ على النطاق الترددي، حيث يوفر CTQW مكونات ترددية غير متلاشية تعزز أداء النموذج على الرسوم البيانية غير المتجانسة وتُخفف من تحيز الفلاتر المنخفضة.
2. **الخاصية الثانية**: الحفاظ على ميزات العقد بشكل ملائم ومنع الطاقة من الانخفاض بشكل كبير مع عمق النموذج، مما يقلل من مشكلة التماثل المفرط.

تم تصميم نموذج CTQW-GNN لدمج ثلاث وحدات تجميع متكاملة:
- **التجمع القائم على CTQW**: يطور ميزات العقد من خلال الدالة الوحدوية، مما يحافظ على الإشارات المتوسطة والعالية التردد على الرسوم البيانية غير المتجانسة.
- **تجمع الانتباه CTQW**: يبني شبكة جيران متعددة القفزات من مقياس CTQW ويطبق الانتباه عليها، مما يوفر إمكانية الوصول إلى العقد المتجانسة البعيدة.
- **تجمع LF**: يستخدم فرع GAT منخفض التمرير للحفاظ على أداء قوي على الرسوم البيانية المتجانسة.

علاوة على ذلك، يُقدّم النموذج تحليلاً للفراغ الطيفي يفسر الحفاظ على الطاقة وحدًا من نوع ليب-روبنسون، مما يقدم قاعدة علمية لاختيار زمن السير $t$. هل أنتم مستعدون لاستكشاف مستقبل الشبكات العصبية الرسومية من خلال هذه التقنية المبتكرة؟