Variationale Autoencoder (VAEs), die auf SMILES-Zeichenketten und graphbasierten Darstellungen von Molekülen definiert sind, versprechen die Optimierung molekularer Eigenschaften zu verbessern und damit die Pharmaindustrie und die Materialindustrie zu revolutionieren. Allerdings werden diese VAEs durch die nicht-eindeutige Natur von SMILES-Zeichenketten und den Rechenaufwand der Graphkonvolutionen behindert. Um Nachrichten effizient entlang aller Pfade des molekularen Graphen zu übertragen, kodieren wir mehrere SMILES-Zeichenketten eines einzelnen Moleküls mithilfe einer Reihe gestapelter rekurrenter Neuronaler Netze, wobei wir die verborgenen Darstellungen jedes Atoms zwischen den SMILES-Darstellungen poolen, und verwenden Aufmerksamkeitspooling, um eine endgültige feste latente Darstellung zu erstellen. Durch das Decodieren in eine disjunkte Menge von SMILES-Zeichenketten des Moleküls lernt unser All-SMILES-VAE eine fast bijektive Abbildung zwischen Molekülen und latenten Darstellungen in der Nähe des Subraums mit hoher Wahrscheinlichkeitsmasse der A-priori-Verteilung. Unsere aus SMILES abgeleiteten, aber molekular basierten latenten Darstellungen übertreffen den Stand der Technik bei einer Vielzahl vollständig- und teilüberwachter Property-Regression- und molekularer Eigenschaftsoptimierungsaufgaben erheblich.