استخدام طرق التعلم الآلي لتسريع تصميم المواد البلورية عادةً ما يتطلب بناء متجهات الخصائص يدويًا أو تحويل معقد لتنسيق الذرات لإدخال هيكل البلورة، مما يقيّد النموذج لأنواع بلورية معينة أو يجعل من الصعب تقديم رؤى كيميائية. في هذا البحث، نطور إطار عمل شبكات العصبونات المُلتفة على الرسوم البيانية البلورية لتعلم خصائص المواد مباشرة من اتصال الذرات في البلورة، مما يوفر تمثيلًا شاملًا وقابلًا للتفسير للمواد البلورية. بعد التدريب باستخدام $10^4$104 نقطة بيانات، توفر طريقتنا تنبؤًا دقيقًا للغاية بخصائص النظرية الوظيفية للكثافة المحسوبة لثمانية خصائص مختلفة للبلورات ذات الأنواع والتكوينات المختلفة. بالإضافة إلى ذلك، فإن إطار عملنا قابل للتفسير لأنه يمكن استخراج المساهمات من البيئات الكيميائية المحلية إلى الخصائص العالمية. باستخدام مثال عن بيروفسكايت (Perovskites)، نوضح كيف يمكن استخدام هذه المعلومات لاكتشاف قواعد تجريبية لتصميم المواد.