了解结构-性能关系对于设计具有所需性能的材料至关重要。在过去的几年里，机器学习方法在这种连接方面取得了显著的进展。然而，仍然存在巨大的挑战，包括模型的可推广性和与材料相关的输出维度的属性预测。在这里，我们提出了虚拟节点图神经网络来应对这些挑战。通过开发三种虚拟节点方法，实现了原子坐标的Γ声子谱和全声子色散预测。我们发现，与机器学习原子间势相比，我们的方法实现了高出几个数量级的效率，并且精度更高。这使我们能够生成包含超过 146,000 种分子筛材料和声子带结构的Γ声子数据库。我们的工作为快速和高质量预测声子带结构提供了一种途径，使材料设计能够实现所需的声子特性。虚拟节点方法还为机器学习设计提供了一种通用方法，具有高度的灵活性。