Les réseaux de neurones graphiques (GNN) se sont révélés offrir des améliorations substantielles en termes de performance pour la représentation et la modélisation des matériaux atomistiques par rapport aux modèles d’apprentissage automatique basés sur des descripteurs. Bien que la plupart des modèles GNN existants pour les prédictions atomistiques reposent principalement sur les informations de distance entre atomes, ils ne prennent pas explicitement en compte les angles de liaison, qui sont pourtant essentiels pour distinguer de nombreuses structures atomiques. En outre, de nombreuses propriétés matérielles sont sensibles à de légères variations des angles de liaison. Nous proposons une architecture de réseau de neurones graphiques, appelée ALIGNN (Atomistic Line Graph Neural Network), qui effectue le passage de messages à la fois sur le graphe des liaisons interatomiques et sur son graphe ligne, correspondant aux angles de liaison. Nous démontrons que l’information angulaire peut être intégrée de manière explicite et efficace, conduisant à une amélioration des performances sur plusieurs tâches de prédiction atomistique. Nous avons entraîné des modèles ALIGNN pour prédire 52 propriétés de matériaux solides et moléculaires disponibles dans les bases de données JARVIS-DFT, Materials Project et QM9. ALIGNN peut surpasser certains modèles GNN précédemment rapportés dans les tâches de prédiction atomistique, avec une précision pouvant être améliorée jusqu’à 85 %, tout en maintenant une vitesse d’entraînement du modèle meilleure ou comparable.