Graph-Netzwerke stellen ein neues Paradigma des maschinellen Lernens (ML) dar, das sowohl relationales Denken als auch kombinatorische Verallgemeinerung unterstützt. In dieser Arbeit entwickeln wir universelle MatErials Graph Network (MEGNet)-Modelle zur genauen Eigenschaftsvorhersage sowohl in Molekülen als auch in Kristallen. Wir zeigen, dass die MEGNet-Modelle in 11 von 13 Eigenschaften des QM9-Moleküldatensatzes vorherige ML-Modelle wie das SchNet übertrumpfen. Ebenso demonstrieren wir, dass MEGNet-Modelle, die auf etwa 60.000 Kristallen im Materials Project trainiert wurden, bei der Vorhersage der Bildungsenergien, Bandlücken und elastischen Moduln von Kristallen erheblich besser abschneiden als vorherige ML-Modelle und eine bessere Genauigkeit als DFT über einen viel größeren Datensatz erreichen.Wir präsentieren zwei neue Strategien zur Bewältigung der Datenbegrenzungen, die in den Materialwissenschaften und der Chemie üblich sind. Erstens veranschaulichen wir einen physikalisch intuitiven Ansatz, um vier getrennte molekulare MEGNet-Modelle für die innere Energie bei 0 K und Raumtemperatur, die Enthalpie und die Gibbs'sche freie Energie in ein einziges freies Energie MEGNet-Modell zu vereinen, indem wir Temperatur, Druck und Entropie als globale Zustandsinputs einbeziehen. Zweitens zeigen wir, dass die gelernten Elementeinbettungen in den MEGNet-Modellen periodische chemische Trends kodieren und von einem auf einem größeren Datensatz (Bildungsenergien) trainierten Eigenschaftsmodell zu einem Transferlernen verwendet werden können, um Eigenschaftsmodelle mit weniger Daten (Bandlücken und elastische Moduln) zu verbessern.