Wir stellen das hierarchisch interagierende Teilchennetzwerk (Hierarchically Interacting Particle Neural Network, HIP-NN) vor, um molekulare Eigenschaften aus Datensätzen quantenmechanischer Berechnungen zu modellieren. Inspiriert von einer Vielkörperentwicklung, zerlegt HIP-NN Eigenschaften wie Energie in eine Summe über hierarchische Terme. Diese Terme werden durch ein Neuronales Netzwerk – eine Komposition vieler nichtlinearer Transformationen – erzeugt, das auf einer Darstellung des Moleküls wirkt. HIP-NN erreicht den aktuellen Stand der Technik in der Leistung auf einem Datensatz von 131.000 organischen Grundzustandsmolekülen und prognostiziert Energien mit einem mittleren absoluten Fehler von 0,26 kcal/mol. Mit minimaler Anpassung ist unser Modell auch wettbewerbsfähig auf einem Datensatz von molekularen Dynamiktrajektorien. Neben der Erreichung genauer Energieprognosen hilft die hierarchische Struktur von HIP-NN bei der Identifizierung unsicherer Bereiche des Modells.