شبكات الرسم البياني هي نموذج جديد للتعلم الآلي (ML) يدعم التفكير العلائقي والعمومية التركيبية. في هذا البحث، نطور نماذج شبكات الرسم البياني العالمية لمواد (MEGNet) للتنبؤ الدقيق بالخصائص في الجزيئات والكريستالات. نوضح أن نماذج MEGNet تتفوق على النماذج السابقة للتعلم الآلي مثل SchNet في 11 من أصل 13 خاصية لمجموعة بيانات الجزيئات QM9. بشكل مماثل، نبين أن نماذج MEGNet التي تم تدريبها على حوالي 60,000 كريستال في مشروع المواد تتفوق بشكل كبير على النماذج السابقة للتعلم الآلي في التنبؤ بطاقة التكوين وفجوة الطاقة والمODULES المرونة للكريستالات، مما يحقق دقة أفضل من دقة DFT على مجموعة بيانات أكبر بكثير.نقدم استراتيجيتين جديدتين لمعالجة قيود البيانات الشائعة في علوم المواد والكيمياء. أولاً، نوضح نهجًا يعتمد على الحدس الفيزيائي لتوحيد أربع نماذج MEGNet منفصلة للطاقة الداخلية عند درجة حرارة 0 كلفن ودرجة الحرارة الغرفة، والحرارة المحددة وطاقة جيبس الحرة في نموذج واحد لطاقة جيبس الحرة عن طريق ضم درجة الحرارة والضغط والانتروبيا كمدخلات حالة عالمية. ثانياً، نظهر أن الترميزات العنصرية المستفادة من نماذج MEGNet تشفير الاتجاهات الكيميائية الدورية ويمكن تعلمها بالنقل من نموذج خاص تم تدريبه على مجموعة بيانات أكبر (طاقات التكوين) لتحسين النماذج الخاصة ذات الكميات الأقل من البيانات (فجوتي الطاقة ومODULES المرونة).