Neuere Fortschritte bei der Integration von Deep Learning mit automatisiertem Beweisführung konzentrieren sich auf die Darstellung logischer Formeln als Eingaben für Deep-Learning-Systeme. Insbesondere hat sich ein wachsender Interesse an der Anpassung strukturbewusster neuronalen Methoden an die zugrundeliegenden Graphdarstellungen logischer Ausdrücke entwickelt. Obwohl diese graphbasierten Ansätze effektiver sind als herkömmliche Ansätze auf Zeichen- und Token-Ebene, haben sie oft darstellungstechnische Kompromisse eingegangen, die ihre Fähigkeit einschränkten, wesentliche strukturelle Eigenschaften ihrer Eingaben zu erfassen. In dieser Arbeit präsentieren wir einen neuartigen Ansatz zur Einbettung logischer Formeln, der speziell darauf ausgelegt ist, die darstellungstechnischen Einschränkungen früherer Ansätze zu überwinden. Unser Architekturkonzept ist für Logiken unterschiedlicher Ausdruckskraft geeignet; beispielsweise für die erste- und höhere-Ordnung-Logik. Wir evaluieren unseren Ansatz an zwei Standard-Datensätzen und zeigen, dass die vorgeschlagene Architektur sowohl bei der Voraussetzungsauswahl als auch bei der Klassifikation von Beweisschritten Spitzenleistung erzielt.