تنبؤ الخصائص الجزيئية (مثل طاقة التجزئة) هو مسألة أساسية في الكيمياء الكمية، والتي يمكن أن تسريع كثيرًا من تقدم الأبحاث، مثل تصميم الأدوية واكتشاف المواد. أثبتت الدراسات التقليدية التي تعتمد على نظرية الوظيفة الكثافة (DFT) في الفيزياء أنها تستغرق وقتًا طويلًا لتنبؤ خصائص عدد كبير من الجزيئات. مؤخرًا، أظهرت طرق التعلم الآلي، التي تأخذ بعين الاعتبار الكثير من المعلومات القائمة على القواعد، إمكاناتها في هذه المسألة. ومع ذلك، لا تزال التفاعلات الكمية المعقدة داخل الجزيئات غير مستكشفة بشكل كبير من قبل الحلول الحالية. في هذا البحث، نقترح شبكة عصبية متعددة المستويات قائمة على الرسوم البيانية وقابلة للتعميم والنقل (MGCN) لتنبؤ الخصائص الجزيئية. تحديدًا، نمثل كل جزيء كرسم بياني للحفاظ على هيكله الداخلي. بالإضافة إلى ذلك، تقوم الشبكة العصبية الرسمية الهرمية المصممة بدقة باستخراج الميزات مباشرة من المعلومات التركيبية والمكانيّة تتبعها التفاعلات المتعددة المستويات. نتيجة لذلك، يمكن استخدام التمثيلات الكلية المتعددة المستويات لإجراء التنبؤ. أظهرت التجارب الواسعة على قواعد بيانات الجزيئات في حالة التوازن وفي حالة عدم التوازن فعالية نموذجنا. علاوة على ذلك، تثبت النتائج التفصيلية أيضًا أن MGCN قابل للتعميم والنقل في مجال التنبؤ بالخصائص الجزيئية.