Graphenneuronale Netzwerke sind Deep-Learning-Modelle, die Graphstrukturen verarbeiten und somit natürlich auf atomare Strukturen, Kristallgitter und Materialnetzwerke angewendet werden. Knoten repräsentieren Atome, Kanten Bindungen oder Nachbarschaften, während Nachrichtenpassage lokale Umgebungen erfasst. In der Werkstoffwissenschaft ermöglichen sie präzise Vorhersagen von Struktur-Eigenschafts-Beziehungen, Energielandschaften, Defektstabilitäten und beschleunigen das inverse Materialdesign.