Les GNNs (Graph Neural Networks) reposent sur l'échange de messages pour diffuser l'information le long des arêtes du graphe. Cette approche rend l'efficacité des architectures fortement dépendante de la structure spécifique du graphe en entrée. Certaines topologies de graphes entraînent une propagation inefficace de l'information, ce qui conduit à un phénomène connu sous le nom de sur-compression (over-squashing). Alors que la majorité des méthodes existantes traitent la sur-compression en réorganisant les arêtes du graphe (rewiring method) en entrée, notre approche novatrice consiste à construire un graphe directement à partir des caractéristiques en utilisant la triangulation de Delaunay. Nous montrons que les propriétés topologiques du graphe ainsi obtenu sont avantageuses pour atténuer à la fois la sur-lissage (oversmoothing) et la sur-compression. Nos expérimentations approfondies démontrent que notre méthode surpasse les techniques de rewiring de graphes déjà existantes.