Das neuronale Nachrichtenübermittlungsverfahren auf molekularen Graphen ist eine der vielversprechendsten Methoden zur Vorhersage von Bildungsenergie und anderen Eigenschaften von Molekülen und Materialien. In dieser Arbeit erweitern wir das neuronale Nachrichtenübermittlungsmodell durch ein Kantenaktualisierungssystem, das es ermöglicht, dass die zwischen Atomen ausgetauschten Informationen von dem verborgenen Zustand des empfangenden Atoms abhängen. Wir testen das vorgeschlagene Modell anhand dreier öffentlich zugänglicher Datensätze (QM9, The Materials Project und OQMD) und zeigen, dass das vorgeschlagene Modell bei allen drei Datensätzen bessere Vorhersagen für Bildungsenergien und andere Eigenschaften liefert als die besten bisher veröffentlichten Ergebnisse. Darüber hinaus untersuchen wir verschiedene Methoden zur Konstruktion des Graphen, der verwendet wird, um kristalline Strukturen darzustellen, und stellen fest, dass die Verwendung eines Graphen basierend auf den K-nächsten Nachbarn eine höhere Vorhersagegenauigkeit erzielt als die Verwendung einer maximalen Distanzschwelle oder eines Voronoigitters (Voronoi tessellation graph).