Dichte neuronale Netze haben aufgrund ihres Potenzials für mathematische und rechnerische Vorteile erneut an Aufmerksamkeit gewonnen. Wir begründen den Ansatz, künstliche neuronale Netze (ANNs) aus der Perspektive der Netzwerkwissenschaft zu untersuchen, stellen eine Methode zur Einbettung beliebiger gerichteter azyklischer Graphen (DAGs) in ANNs vor und präsentieren Ergebnisse einer Studie zur Vorhersage der Leistungsfähigkeit von Bildklassifikatoren basierend auf den strukturellen Eigenschaften des zugrundeliegenden Graphen. Die Ergebnisse könnten die Neuroevolution weiter voranbringen und strukturelle Erklärungen für den Erfolg spezifischer Architekturen liefern.