Graph Neural Networks (GNNs) werden häufig zur Analyse nicht-euklidischer Daten wie sozialer Netzwerkdaten und biologischer Daten eingesetzt. Trotz ihrer Erfolge erfordert die Gestaltung von Graph Neural Networks viel manuelle Arbeit und Fachwissen. In dieser Arbeit schlagen wir eine Methode für die automatische Suche der besten Graph-Neuronalen Architektur vor, die auf Reinforcement Learning basiert (kurz GraphNAS). Speziell verwendet GraphNAS zunächst ein rekurrentes Netzwerk, um variablenlängige Zeichenketten zu generieren, die die Architekturen von Graph Neural Networks beschreiben. Anschließend wird das rekurrente Netzwerk mit Reinforcement Learning trainiert, um die erwartete Genauigkeit der generierten Architekturen auf einem Validierungsdatensatz zu maximieren. Ausführliche experimentelle Ergebnisse bei Knotenklassifizierungsaufgaben in sowohl transduktiven als auch induktiven Lernszenarien zeigen, dass GraphNAS konsistent bessere Leistungen auf den Zitiernetzwerken Cora, Citeseer und Pubmed sowie auf dem Protein-Protein-Interaktionsnetzwerk erzielen kann. Bei Knotenklassifizierungsaufgaben kann GraphNAS eine neuartige Netzarchitektur entwerfen, die sich in Bezug auf die Genauigkeit des Testdatensatzes mit den besten menschlichen Entwürfen messen lässt.