Die Verwendung von maschinellem Lernen zur Beschleunigung der Entwurfsprozesse kristalliner Materialien erfordert in der Regel manuell konstruierte Merkmalsvektoren oder komplexe Transformationen von Atomkoordinaten, um die Kristallstruktur als Eingabe zu verwenden. Dies begrenzt entweder das Modell auf bestimmte Kristalltypen oder erschwert es, chemische Erkenntnisse zu liefern. In dieser Arbeit entwickeln wir ein Framework für Kristallgraphen-basierte Faltungsneuronale Netze (Convolutional Neural Networks, CNNs), das Material-Eigenschaften direkt aus den Verbindungen der Atome im Kristall lernt und eine universelle und interpretierbare Darstellung kristalliner Materialien bereitstellt. Unsere Methode ermöglicht nach dem Training mit 10.000 Datensätzen eine hochgenaue Vorhersage von Eigenschaften, die durch Dichtefunktionaltheorie (Density Functional Theory, DFT) berechnet wurden, für acht verschiedene Eigenschaften von Kristallen mit unterschiedlichen Strukturtypen und Zusammensetzungen. Des Weiteren ist unser Framework interpretierbar, da man die Beiträge lokaler chemischer Umgebungen zu globalen Eigenschaften extrahieren kann. Anhand des Beispiels von Perowskiten zeigen wir, wie diese Informationen genutzt werden können, um empirische Regeln für den Materialentwurf zu entdecken.