Graphenbasierte neuronale Netze (GNN) haben sich gegenüber deskriptorbasierten maschinellen Lernmodellen bei der Darstellung und Modellierung atomistischer Materialien als erheblich leistungsfähiger erwiesen. Während die meisten bestehenden GNN-Modelle für atomistische Vorhersagen auf atomaren Abstandsinformationen basieren, berücksichtigen sie explizit nicht Bindungswinkel, die entscheidend sind, um viele atomistische Strukturen zu unterscheiden. Darüber hinaus sind zahlreiche Materialeigenschaften bekanntermaßen empfindlich gegenüber geringfügigen Änderungen der Bindungswinkel. Wir stellen ein Atomistisches Line Graph Neural Network (ALIGNN) vor, eine GNN-Architektur, die Nachrichtenübertragung sowohl auf dem interatomaren Bindungsgraphen als auch auf dessen Line-Graph, der den Bindungswinkeln entspricht, durchführt. Wir zeigen, dass Winkelinformationen explizit und effizient integriert werden können, was zu einer verbesserten Leistung bei mehreren atomistischen Vorhersageaufgaben führt. Wir trainieren ALIGNN-Modelle zur Vorhersage von 52 festkörper- und molekularen Eigenschaften, die in den Datenbanken JARVIS-DFT, Materials Project und QM9 verfügbar sind. ALIGNN kann einige zuvor berichtete GNN-Modelle bei atomistischen Vorhersageaufgaben in Bezug auf Genauigkeit um bis zu 85 % übertrifft, wobei die Trainingsgeschwindigkeit gleich gut oder sogar besser ist.