Überwachtes Lernen auf Molekülen hat ein enormes Potenzial, nützlich in der Chemie, der Arzneimittelentwicklung und den Materialwissenschaften zu sein. Zum Glück wurden bereits mehrere vielversprechende und eng verwandte neuronale Netzmodelle beschrieben, die invariant gegenüber molekularen Symmetrien sind. Diese Modelle lernen einen Nachrichtenübertragungsalgorithmus und ein Aggregierungsverfahren, um eine Funktion ihres gesamten Eingabegraphen zu berechnen. Der nächste Schritt besteht nun darin, eine besonders effektive Variante dieses allgemeinen Ansatzes zu finden und sie auf chemische Vorhersagebenchmarks anzuwenden, bis wir entweder diese lösen oder die Grenzen des Ansatzes erreichen. In dieser Arbeit reformulieren wir bestehende Modelle in einen gemeinsamen Rahmen, den wir Message Passing Neural Networks (MPNNs) nennen, und untersuchen zusätzliche neuartige Variationen innerhalb dieses Rahmens. Mit Hilfe von MPNNs zeigen wir Stand-of-the-Art-Ergebnisse bei einem wichtigen Benchmark zur Vorhersage molekularer Eigenschaften; diese Ergebnisse sind so stark, dass wir glauben, zukünftige Arbeiten sollten sich auf Datensätze mit größeren Molekülen oder genauereren Grundwahrheitslabels konzentrieren.