Das Problem der Beschleunigung von Arzneimittelentdeckung hängt stark von automatischen Werkzeugen ab, die es ermöglichen, Vorläufermoleküle zu optimieren, um ihnen bessere biochemische Eigenschaften zu verleihen. In dieser Arbeit erweitern wir die bisherigen Standesder-Dinge der Graph-to-Graph-Übersetzungsmethoden für molekulare Optimierung erheblich. Insbesondere realisieren wir kohärente mehrskalige Darstellungen, indem wir die Kodierung von Unterstrukturkomponenten mit der Atom-Level-Kodierung des ursprünglichen Molekülgraphen verflechten. Des Weiteren ist unser Graph-Decodier vollständig autoregressiv und verknüpft jeden Schritt des Hinzufügens einer neuen Unterstruktur mit dem Prozess ihrer Anbindung an das sich entwickelnde Molekül. Wir evaluieren unser Modell anhand mehrerer molekularer Optimierungsaufgaben und zeigen, dass unser Modell die bisherigen Standesder-Dinge-Baselines erheblich übertrifft.