Les réseaux de neurones graphiques (GNNs) ont démontré un succès notable dans le raisonnement algorithmique neuronal. De nombreux algorithmes classiques exploitent une mémoire explicite sous la forme d'une structure de données. Toutefois, l'ajout de mémoires externes aux GNNs reste largement sous-exploité. Dans cet article, nous présentons les Files de priorité neuronales (Neural Priority Queues), une version différentiable des files de priorité algorithmiques, adaptée aux GNNs. Nous proposons et justifions un ensemble de critères souhaitables pour les modules de mémoire, et montrons que les Files de priorité neuronales satisfont ces critères. Nous analysons également leur utilité dans le cadre du raisonnement algorithmique. Ces résultats sont confirmés par des expérimentations sur le jeu de données CLRS-30. En outre, nous constatons que les Files de priorité neuronales sont particulièrement efficaces pour capturer des interactions à longue portée, comme le montre une évaluation empirique sur un jeu de données issu du Long-Range Graph Benchmark.