Les réseaux neuronaux à passage de messages sont devenus une méthode de choix pour l'apprentissage sur les graphes, en particulier pour la prédiction de propriétés chimiques et l'accélération des études de dynamique moléculaire. Bien qu'ils se généralisent facilement à de grandes bases d'apprentissage, les approches précédentes se sont révélées moins efficaces en termes de données que les méthodes à noyaux. Nous identifions les limitations des représentations invariantes comme une cause majeure de cette faiblesse, et étendons la formulation à passage de messages aux représentations rotationnellement équivalentes. À partir de cette base, nous proposons le réseau neuronal d'interaction d'atomes polarisables (PaiNN), qui améliore les performances sur les benchmarks courants de molécules par rapport aux réseaux antérieurs, tout en réduisant la taille du modèle et le temps d'inférence. Nous exploitons les représentations atomiques équivalentes obtenues par PaiNN pour prédire des propriétés tensorielles. Enfin, nous appliquons cette approche à la simulation de spectres moléculaires, obtenant des accélérations de 4 à 5 ordres de grandeur par rapport à la référence de la théorie des structures électroniques.