رغم التقدم السريع في السنوات الأخيرة، أظهرت الدراسات الحديثة أن الشبكات العصبية الرسومية الحديثة لا تزال تفشل في مهام بسيطة للغاية، مثل الكشف عن الدورات الصغيرة. وهذا يشير إلى حقيقة أن الشبكات الحالية لا تتمكن من التقاط المعلومات حول البنية المحلية، وهو ما يشكل مشكلة إذا كان المهمة النهائية تعتمد بشكل كبير على تحليل الفروع الرسومية، كما هو الحال في سياق الكيمياء. نقترح تصحيحًا بسيطًا جدًا للالتفاف GIN (Graph Isomorphism Network) القياسي الذي يمكن الشبكة من اكتشاف الدورات الصغيرة بمجرد وجود تكلفة بسيطة من حيث وقت الحساب وعدد المعلمات. عند اختبارها على مجموعات بيانات خصائص الجزيئات الحقيقية، أثبت نموذجنا تحسين الأداء بشكل مستمر على مجموعات البيانات متعددة المهام الكبيرة مقارنة بكل النماذج الأساسية، سواء على المستوى العالمي أو على مستوى كل مهمة بشكل منفصل.