ترجمه فارسی مقاله از نمودارها تا کیوبیت ها: بررسی انتقادی شبکه های عصبی گراف کوانتومی

چکیده

Quantum Graph Neural Networks (QGNNs) represent a novel fusion of quantum computing and Graph Neural Networks (GNNs), aimed at overcoming the computational and scalability challenges inherent in classical GNNs that are powerful tools for analyzing data with complex relational structures but suffer from limitations such as high computational complexity and over-smoothing in large-scale applications. Quantum computing, leveraging principles like superposition and entanglement, offers a pathway to enhanced computational capabilities. This paper critically reviews the state-of-the-art in QGNNs, exploring various architectures. We discuss their applications across diverse fields such as high-energy physics, molecular chemistry, finance and earth sciences, highlighting the potential for quantum advantage. Additionally, we address the significant challenges faced by QGNNs, including noise, decoherence, and scalability issues, proposing potential strategies to mitigate these problems. This comprehensive review aims to provide a foundational understanding of QGNNs, fostering further research and development in this promising interdisciplinary field.

چکیده به فارسی (ترجمه ماشینی)

شبکه های عصبی نمودار کوانتومی (QGNN) نشان دهنده یک تلفیق جدید از محاسبات کوانتومی و شبکه های عصبی نمودار (GNN) ، با هدف غلبه بر چالش های محاسباتی و مقیاس پذیری ذاتی در GNN های کلاسیک است که ابزارهای قدرتمندی برای تجزیه و تحلیل داده ها با ساختارهای روابط پیچیده ای هستند اما از چنین محدودیت هایی رنج می برند.به عنوان پیچیدگی محاسباتی بالا و صاف کردن بیش از حد در برنامه های در مقیاس بزرگ.محاسبات کوانتومی ، اصول اهرم مانند ابر و درگیری ، مسیری را برای افزایش قابلیت های محاسباتی ارائه می دهد.در این مقاله به طور انتقادی به بررسی پیشرفته در QGNNS ، بررسی معماری های مختلف می پردازد.ما در مورد کاربردهای آنها در زمینه های مختلف مانند فیزیک پر انرژی ، شیمی مولکولی ، امور مالی و علوم زمین بحث می کنیم و پتانسیل مزیت کوانتومی را برجسته می کنیم.علاوه بر این ، ما به چالش های قابل توجهی که QGNN ها با آن روبرو هستند ، از جمله سر و صدا ، دفع و مسائل مقیاس پذیری ، ارائه می دهیم و استراتژی های بالقوه ای را برای کاهش این مشکلات ارائه می دهیم.این بررسی جامع با هدف ارائه درک بنیادی از QGNN ها ، تقویت تحقیقات و توسعه بیشتر در این زمینه امیدوارکننده بین رشته ای.