본 논문은 기하 깊은 학습에서 물체의 고유한 특성을 포착하는 라플라스-벨트라미(LB) 연산자의 스펙트럼 추정을 위한 효율적인 기하 깊은 학습 프레임워크를 제시합니다. 기존의 유한요소법(FEM)은 계산 복잡도가 O(Nk)로, 대용량 메쉬 데이터 처리에 비효율적입니다. 본 연구는 그래프 신경망(GNN)을 이용하여 가우시안 곡률, 평균 곡률, 주 곡률 등 풍부한 메쉬 특징을 활용하여 LB 스펙트럼을 예측합니다. 실험 결과, 제안된 방법은 FEM보다 약 5배 빠른 계산 속도를 보이며 경쟁력 있는 정확도를 제공합니다. 또한, 재현성을 위해 훈련 및 테스트에 사용된 ABC 데이터셋을 기반으로 구축된 대규모 실제 기계 CAD 모델 데이터셋도 공개합니다.