Die Vorhersage molekularer Eigenschaften (z.B. Atomisierungsenergie) ist ein wesentlicher Aspekt der Quantenchemie, der das Forschungsfortschreiten in Bereichen wie der Arzneimittelentwicklung und dem Entdecken neuer Substanzen beschleunigen könnte. Traditionelle Studien, die auf der Dichtefunktionaltheorie (DFT) basieren, haben sich als zeitaufwendig für die Vorhersage großer Anzahlen von Molekülen erwiesen. Kürzlich haben maschinelle Lernmethoden, die regelbasierte Informationen berücksichtigen, ebenfalls Potenzial für dieses Problem gezeigt. Dennoch sind die komplexen inherenten quantenmechanischen Wechselwirkungen von Molekülen von bestehenden Lösungen weitgehend unerforscht geblieben. In dieser Arbeit schlagen wir ein übertragbares und verallgemeinerbares Mehrstufiges Graphik-Convolutionales Neuronales Netzwerk (MGCN) zur Vorhersage molekularer Eigenschaften vor. Insbesondere stellen wir jedes Molekül als Graph dar, um seine interne Struktur zu bewahren. Darüber hinaus extrahiert das gut konzipierte hierarchische Graphik-Neuronale Netzwerk direkt Merkmale aus den Konformations- und räumlichen Informationen, gefolgt von den mehrstufigen Wechselwirkungen. Folglich können die mehrstufigen Gesamtrepräsentationen zur Vorhersage genutzt werden. Ausführliche Experimente sowohl mit Gleichgewichts- als auch mit Nicht-Gleichgewichtsmoleküldatensätzen zeigen die Effektivität unseres Modells. Zudem beweisen detaillierte Ergebnisse, dass das MGCN verallgemeinerbar und übertragbar für Vorhersagen ist.