يمكن نمذجة العديد من البيانات الواقعية على شكل رسوم بيانية ثلاثية الأبعاد (3D Graphs)، لكن تعلم تمثيلات تُدمج المعلومات ثلاثية الأبعاد بشكل كامل وفعال يُعد تحديًا. تعاني الطرق الحالية إما من استخدام معلومات ثلاثية الأبعاد جزئية، أو تعاني من تكاليف حسابية مفرطة. ولدمج المعلومات ثلاثية الأبعاد بشكل كامل وفعال، نقترح_scheme جديدًا للنقل الرسائلي يعمل ضمن الجوار الأول (1-hop neighborhood). يضمن هذا الأسلوب اكتمال المعلومات ثلاثية الأبعاد على الرسوم البيانية ثلاثية الأبعاد من خلال تحقيق اكتمال عالمي ومحلي. وبشكل ملحوظ، نقترح زوايا الدوران المهمة لتحقيق الامتياز العالمي. علاوةً على ذلك، نُظهر أن طريقة العمل لدينا أسرع بمرات عديدة مقارنة بالطرق السابقة. ونقدم إثباتًا دقيقًا للاكتمال، بالإضافة إلى تحليلًا لتعقيد الزمن لطرقنا. وبما أن الجزيئات بطبيعتها أنظمة كمومية، فإننا نبني شبكة عصبية رسومية متكاملة وفعالة (ComENet) من خلال دمج دوال أساسية مستوحاة من الفيزياء الكمية مع خوارزمية النقل الرسائلي المقترحة. وتُظهر النتائج التجريبية القدرة والكفاءة الفائقة لـ ComENet، خاصةً على مجموعات بيانات واقعية كبيرة من حيث عدد الرسوم البيانية وأحجامها. ويُتاح كودنا بشكل عام كجزء من مكتبة DIG (\url{https://github.com/divelab/DIG}).