في تحليل بنية البلورات القائم على الانكسار، تعتبر الاهتزازات الحرارية، التي يتم تقديرها عبر معلمات النزوح اللامتجانسة (Anisotropic Displacement Parameters - ADPs)، أمرًا حاسمًا ومعقدًا في تحديده. تلتقط المعلمات ADP الاهتزازات الذرية، مما يعكس الخصائص الحرارية والهيكلية، ولكن الحساب التقليدي غالبًا ما يكون باهظ الثمن. يقدم هذا البحث CartNet، وهو شبكة عصبية رسمية جديدة (Graph Neural Network - GNN) لتنبؤ خصائص البلورة بكفاءة من خلال ترميز الهندسة الذرية إلى إحداثيات كارتيزية بجانب درجة حرارة البلورة. يدمج CartNet تقنية تساوي الجيران لتعزيز التفاعلات الكوفالنتية والتلامسية، ورأسًا قائمًا على تحليل شوليسكي لضمان صحة التنبؤات بـ ADP. كما نقترح استراتيجية توسيع بيانات دورانية SO(3) أثناء التدريب للتعامل مع التوجهات غير المعروفة. تم جمع مجموعة بيانات ADP تحتوي على أكثر من 200,000 هيكل بلوري تجريبي من قاعدة بيانات كامبريدج للبنية (Cambridge Structural Database - CSD) لتأكيد صحة النهج. يقلل CartNet بشكل كبير من تكاليف الحساب ويتفوق على الأساليب الموجودة في تنبؤ ADP بنسبة 10.87٪، بينما يحقق تحسينًا بنسبة 34.77٪ مقارنة بالأساليب النظرية. قمنا أيضًا بتقييم CartNet على مجموعات بيانات أخرى تغطي طاقة التكوين، فجوة الحزمة، الطاقة الكلية، الطاقة فوق القشرة المحدبة، معامل الضغط الكلي ومعامل القص، حيث حقق نتائج أفضل بنسبة 7.71٪ في مجموعة بيانات Jarvis ونسبة 13.16٪ في مجموعة بيانات Materials Project. هذه المكاسب تعزز من مكانة CartNet كحل رائد للتنبؤ بخصائص البلورات المختلفة.الموقع الإلكتروني للمشروع والعرض التوضيحي عبر الإنترنت: https://www.ee.ub.edu/cartnet