Trotz des schnellen Fortschritts in den letzten Jahren haben aktuelle Studien gezeigt, dass moderne Graph-Neurale Netze (Graph Neural Networks) bei sehr einfachen Aufgaben wie der Erkennung kleiner Zyklen versagen können. Dies deutet darauf hin, dass die aktuellen Netzwerke Informationen über die lokale Struktur nicht erfassen können, was problematisch ist, wenn die nachgelagerte Aufgabe stark von der Analyse von Graphunterstrukturen abhängt, wie es im Kontext der Chemie der Fall ist. Wir schlagen eine sehr einfache Korrektur des nunmehr standardisierten GIN-Faltungsverfahrens (GIN convolution) vor, die es dem Netzwerk ermöglicht, kleine Zyklen fast ohne Kosten in Bezug auf Rechenzeit und Anzahl der Parameter zu erkennen. Bei Tests auf realen Moleküleigenschaftendatensätzen verbessert unser Modell die Leistung konsistent sowohl global als auch in einer pro-Aufgabe-Einstellung auf großen multiaufgaben-Datensätzen im Vergleich zu allen Baselines.