Viele wesentliche Aufgaben in der Chemie beziehen sich auf Moleküle während chemischer Reaktionen. Dies erfordert Vorhersagen weit entfernt vom Gleichgewichtszustand, während der Großteil der jüngsten Arbeiten im Bereich des maschinellen Lernens für Moleküle auf Gleichgewichts- oder nahe-Gleichgewichtszustände fokussiert war. In diesem Artikel zielen wir darauf ab, diesen Forschungsbereich in drei Hinsichten zu erweitern. Erstens stellen wir das DimeNet++-Modell vor, das auf dem QM9-Benchmark für Gleichgewichtsmoleküle achtmal schneller und um 10 % genauer ist als das ursprüngliche DimeNet. Zweitens validieren wir DimeNet++ anhand hochreaktiver Moleküle, indem wir die anspruchsvolle COLL-Datenbank entwickeln, die verzerrte Konfigurationen kleiner Moleküle während Kollisionen enthält. Drittens untersuchen wir die Kombination von Ensembles und Mean-Variance-Schätzung zur Quantifizierung von Unsicherheiten mit dem Ziel, die Exploration des umfangreichen Raums nicht-gleichgewichtsärmer Strukturen zu beschleunigen. Unsere Implementierung von DimeNet++ sowie die COLL-Datenbank sind online verfügbar.