Le passage de messages neuronaux sur les graphes moléculaires est l'une des méthodes les plus prometteuses pour prédire l'énergie de formation et d'autres propriétés des molécules et des matériaux. Dans cette étude, nous avons étendu le modèle de passage de messages neuronaux avec un réseau de mise à jour des arêtes, ce qui permet que l'information échangée entre les atomes dépende de l'état caché de l'atome récepteur. Nous avons évalué le modèle proposé sur trois jeux de données publiquement disponibles (QM9, The Materials Project et OQMD) et montré que ce modèle offre une meilleure prédiction de l'énergie de formation et d'autres propriétés sur ces trois jeux de données par rapport aux meilleurs résultats publiés. De plus, nous avons examiné différentes méthodes pour construire le graphe utilisé pour représenter les structures cristallines et nous avons constaté qu'utiliser un graphe basé sur les K-plus proches voisins (K-nearest neighbors) permet d'obtenir une meilleure précision prédictive que d'utiliser une coupure à distance maximale ou un graphe basé sur la tessellation de Voronoi.