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。过去几年见证了用于这种连接的机器学习方法的显着进步。然而，仍然存在重大挑战，包括模型的通用性和与材料相关的输出尺寸的属性预测。在这里，我们介绍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，我们实现了Γ声子光谱和原子坐标的全声子色散预测。我们表明，与机器学习的原子间势相比，我们的方法实现了高出几个数量级的效率，而准确性却相当。这使我们能够生成包含超过 146,000 种材料和沸石声子声带结构的Γ声子数据库。我们的工作为快速和高质量地预测声子带结构提供了一条途径，使材料设计具有所需的声子特性。虚拟节点方法还为机器学习设计提供了一种具有高度灵活性的通用方法。