Un large éventail de problèmes d'apprentissage automatique implique le traitement de données structurées en graphes. Les approches existantes d'apprentissage automatique sur les graphes supposent souvent le calcul de mesures coûteuses de similarité entre graphes, un prétraitement des graphes d'entrée ou un tri explicite des nœuds du graphe. Dans ce travail, nous proposons une nouvelle architecture simple et innovante de réseau de neurones convolutif pour l'apprentissage supervisé sur les graphes, dont l'invariance aux permutations des nœuds est prouvée. L'architecture proposée opère directement sur des graphes arbitraires sans trier les nœuds. Elle utilise également un perceptron multicouche simple pour la prédiction, contrairement aux couches de convolution classiques fréquemment employées dans les approches profondes pour les graphes. Malgré sa simplicité, notre architecture se montre compétitive par rapport aux noyaux de graphes d'état de l'art et aux réseaux de neurones sur graphes existants sur des jeux de données standardisés pour la classification de graphes. Notre approche surpasse clairement d'autres algorithmes d'apprentissage profond pour les graphes sur plusieurs tâches de classification multiclasse. Nous évaluons également notre méthode sur une application réelle originale en science des matériaux, où nous obtenons des résultats extrêmement satisfaisants.