يمكن تسريع التقدم نحو الاختراقات الطاقوية اللازمة لمكافحة تغير المناخ بشكل كبير من خلال محاكاة الأنظمة الذرية بكفاءة. تقنيات المحاكاة المستندة إلى المبادئ الأساسية، مثل نظرية الوظيفة الكثافة (DFT)، محدودة في استخدامها العملي بسبب تكلفتها الحسابية العالية. يمكن للمقاربات التي تعتمد على التعلم الآلي أن تقرب من DFT بطريقة حسابية فعالة، مما قد يزيد بشكل كبير من تأثير المحاكيات الحاسوبية على المشكلات الواقعية. يطرح تقريب DFT عدة تحديات، منها نمذجة التغييرات الدقيقة في المواقع النسبية والزوايا بين الذرات، وفرض قيود مثل ثبات الدوران أو حفظ الطاقة. نقدم نهجًا جديدًا لنمذجة المعلومات الزاوية بين مجموعات الذرات المجاورة في شبكة عصبية بيانية. يتم تحقيق ثبات الدوران للرسائل على حواف الشبكة باستخدام إطار إحداثي محلي لكل حافة وعملية تجميع دوامية جديدة (spin convolution) على درجة الحرية المتبقية. تم اقتراح نوعين من النماذج لتطبيقات الاسترخاء البنيوي وديناميكيات الجزيئات. أظهرت النتائج الرائدة في مجال البحث على مجموعة البيانات الكبيرة Open Catalyst 2020. كما أجريت مقارنات على مجموعتي بيانات MD17 وQM9.