تُهيمن طرق التعلم على الرسوم البيانية حاليًا على نوى الرسوم البيانية، والتي رغم قوتها، تعاني من بعض القيود المهمة. تقدم شبكات العصبونات المت convoled (CNNs) بديلًا جذابًا للغاية، ولكن معالجة الرسوم البيانية باستخدام CNNs ليست أمرًا بسيطًا. لمواجهة هذا التحدي، تم تقديم العديد من الإضافات المعقدة لـ CNNs مؤخرًا. في هذه الورقة البحثية، نقلب المشكلة رأسًا على عقب: بدلاً من اقتراح نموذج آخر لـ CNN على الرسوم البيانية، نقدم طريقة جديدة لتمثيل الرسوم البيانية كهياكل شبيهة بالصور متعددة القنوات تسمح بمعالجتها بواسطة شبكات العصبونات المت convoled ثنائية الأبعاد (2D CNNs) التقليدية. تكشف التجارب أن طريقتنا أكثر دقة من أفضل نوى الرسوم البيانية وأفضل شبكات العصبونات المت convoled على الرسوم البيانية في 4 من أصل 6 مجموعات بيانات حقيقية (مع وبدون خصائص عقد مستمرة)، وفي الحالات الأخرى تكون قريبة منها. كما أن طريقتنا تتفوق على نوى الرسوم البيانية أيضًا من حيث التعقيد الزمني. الكود والبيانات متاحان بشكل عام.注：在阿拉伯语中，“Convolutional Neural Networks”通常翻译为“شبكات العصبونات المت convoled”，但更准确的翻译应该是“شبكات العصبونات الم��volutionية”（Shabakat al-'asab al-mutahawwila）。为了保持专业性和通用性，我选择了前者。如果你希望使用后者，请告知我。