グラフニューラルネットワーク（GNN）は、記述子ベースの機械学習モデルと比較して、原子論的材料表現およびモデリングにおいて顕著な性能向上を示している。既存の多くの中性子予測用GNNモデルは原子間距離情報に基づいているが、原子構造を区別するために極めて重要な結合角情報を明示的に取り入れていない。さらに、多くの材料特性は結合角の微小な変化に敏感であることが知られている。本研究では、原子間結合グラフとその線グラフ（結合角に対応）の両方でメッセージパッシングを行う、原子論的線グラフニューラルネットワーク（ALIGNN）と呼ばれるGNNアーキテクチャを提案する。本研究では、結合角情報が明示的かつ効率的に組み込まれることで、複数の原子論的予測タスクにおいて性能が向上することを実証した。JARVIS-DFT、Materials Project、QM9データベースに収録された52種類の固体状態および分子性質を予測するためのALIGNNモデルを構築した結果、従来報告されたGNNモデルと比較して、精度が最大85％向上し、モデルの学習速度は同等またはそれ以上であることが確認された。