L'utilisation de méthodes d'apprentissage automatique pour accélérer la conception de matériaux cristallins nécessite généralement la construction manuelle de vecteurs caractéristiques ou des transformations complexes des coordonnées atomiques afin d'introduire la structure cristalline, ce qui limite soit le modèle à certains types de cristaux, soit rend difficile l'interprétation chimique. Dans cet article, nous développons un cadre de réseaux neuronaux convolutifs sur graphes cristallins permettant d'apprendre directement les propriétés des matériaux à partir des connexions entre les atomes dans le cristal, offrant ainsi une représentation universelle et interprétable des matériaux cristallins. Notre méthode fournit des prédictions très précises des propriétés calculées par la théorie de la fonctionnelle de la densité pour huit propriétés différentes de cristaux aux structures et compositions variées après avoir été entraînée avec 10 000 points de données. De plus, notre cadre est interprétable car il est possible d'extraire les contributions des environnements chimiques locaux aux propriétés globales. En utilisant l'exemple des pérovskites, nous montrons comment ces informations peuvent être exploitées pour découvrir des règles empiriques en matière de conception de matériaux.