Ein Graph-neuronales Netzwerk modelliert Atome, Körner oder Defekte als Knoten und ihre Wechselwirkungen als Kanten und lernt daraus materialrelevante Eigenschaften. In der Werkstoffwissenschaft wird es zur Vorhersage von Energielandschaften, mechanischen, thermischen und elektronischen Eigenschaften sowie für Inversionsdesign eingesetzt. Durch Beachtung von Invarianzen (Rotation, Translation, Permutation) können GNNs quantenmechanische Genauigkeit mit stark reduzierten Rechenkosten erreichen.