結晶材料の設計を加速するために機械学習手法を使用する場合、通常は手動で構築された特徴ベクトルや原子座標の複雑な変換が必要となり、これによりモデルが特定の結晶タイプに制約されたり、化学的な洞察を提供することが困難になったりします。本研究では、結晶グラフ畳み込みニューラルネットワーク（CGCNN）フレームワークを開発し、結晶内の原子の接続から直接材料特性を学習することで、普遍的かつ解釈可能な結晶材料の表現を提供しています。当手法は、$10^4$104 のデータポイントで学習した後、さまざまな構造タイプと組成を持つ結晶の8つの異なる特性について密度汎関数理論（DFT）計算による予測値を高精度で推定します。さらに、当フレームワークは解釈可能であり、局所的な化学環境からの全体的な特性への寄与を抽出することができます。ペロブスカイトの例を用いて、この情報がどのように利用されて経験則に基づく材料設計の発見につながるかを示しています。