أظهرت الشبكات العصبية الرسومية (GNN) تحسينًا كبيرًا في الأداء مقارنةً بالنماذج القائمة على الوصوف في تمثيل ونمذجة المواد الذرية. وعلى الرغم من أن معظم النماذج الحالية للشبكات العصبية الرسومية للتنبؤات الذرية تعتمد على معلومات المسافة بين الذرات، إلا أنها لا تُدخل صراحةً زوايا الروابط، والتي تُعدّ حاسمة في التمييز بين العديد من الهياكل الذرية. علاوةً على ذلك، يُعرف أن العديد من خواص المواد حساسة جدًا للتغيرات الطفيفة في زوايا الروابط. نقدّم نموذجًا يُسمى "شبكة عصبية رسومية للخط الذري" (ALIGNN)، وهو معمارية GNN تقوم بعملية تبادل الرسائل على كل من رسم الرابطة بين الذرات ورسمه الخطي المقابل لزوايا الروابط. ونُظهر أن معلومات الزوايا يمكن إدراجها صراحةً وفعّالًا، مما يؤدي إلى تحسين الأداء في مهام التنبؤ الذري المتعددة. وقد قمنا بتدريب نماذج ALIGNN للتنبؤ بـ 52 خاصية في المواد الصلبة والجزيئات المتوفرة في قواعد بيانات JARVIS-DFT وMaterials Project وQM9. ويمكن لنموذج ALIGNN أن يتفوّق على بعض النماذج السابقة للشبكات العصبية الرسومية في مهام التنبؤ الذري بنسبة تصل إلى 85% من حيث الدقة، مع سرعة تدريب نموذج أفضل أو مماثلة.