De nombreuses données du monde réel peuvent être modélisées sous forme de graphes 3D, mais l'apprentissage de représentations intégrant de manière complète et efficace les informations 3D reste un défi. Les méthodes existantes utilisent soit une information 3D partielle, soit souffrent d’un coût computationnel excessif. Pour intégrer de manière complète et efficace les informations 3D, nous proposons un nouveau schéma d’échange de messages opérant dans le voisinage à 1-saut. Notre méthode garantit une complétude totale des informations 3D sur les graphes 3D en assurant à la fois une complétude globale et locale. Notamment, nous introduisons des angles de rotation clés pour assurer la complétude globale. En outre, nous démontrons que notre méthode est plusieurs ordres de grandeur plus rapide que les approches antérieures. Nous fournissons une preuve rigoureuse de complétude ainsi qu’une analyse de la complexité temporelle de notre méthode. Étant donné que les molécules sont fondamentalement des systèmes quantiques, nous avons conçu le réseau de neurones sur graphes \underline{com}plet et \underline{e}fficace (ComENet) en combinant des fonctions de base inspirées de la mécanique quantique avec le schéma d’échange de messages proposé. Les résultats expérimentaux démontrent la capacité et l’efficacité de ComENet, en particulier sur des jeux de données du monde réel comportant un grand nombre de graphes ainsi que des graphes de grande taille. Notre code est disponible publiquement dans le cadre de la bibliothèque DIG (\url{https://github.com/divelab/DIG}).