Les avancées récentes dans l'intégration de l'apprentissage profond avec la démonstration automatique de théorèmes se sont concentrées sur la représentation des formules logiques comme entrées des systèmes d'apprentissage profond. En particulier, un intérêt croissant s'est porté sur l'adaptation de méthodes neurales sensibles à la structure afin de traiter les représentations graphiques sous-jacentes des expressions logiques. Bien que plus efficaces que les approches basées sur les caractères ou les jetons, les méthodes basées sur les graphes ont souvent fait des compromis représentationnels qui limitaient leur capacité à capturer les propriétés structurelles essentielles de leurs entrées. Dans ce travail, nous proposons une nouvelle approche d'encodage des formules logiques conçue pour surmonter les limitations représentationnelles des approches antérieures. Notre architecture est applicable à des logiques de différentes expressivités, par exemple la logique du premier ordre et la logique d'ordre supérieur. Nous évaluons notre approche sur deux jeux de données standards et démontrons qu'elle atteint des performances de pointe sur les tâches de sélection de prémisse et de classification des étapes de preuve.