Der Fortschritt bei den für den Kampf gegen den Klimawandel notwendigen Energiebrüchen kann durch effiziente Simulation atomarer Systeme erheblich beschleunigt werden. Simulationsmethoden auf der Grundlage von ersten Prinzipien, wie die Dichtefunktionaltheorie (DFT), sind in ihrer praktischen Anwendung aufgrund hoher Rechenaufwände eingeschränkt. Maschinelles Lernen bietet das Potenzial, DFT auf computergerechte Weise zu approximieren, was den Einfluss von Computersimulationen auf reale Probleme drastisch erhöhen könnte. Die Approximation der DFT stellt jedoch mehrere Herausforderungen dar. Dazu gehören die genaue Modellierung subtiler Veränderungen in den relativen Positionen und Winkeln zwischen Atomen sowie die Einhaltung von Bedingungen wie Rotationsinvarianz oder Energieerhaltung. Wir stellen einen neuen Ansatz zur Modellierung der Winkelinformation zwischen Mengen benachbarter Atome in einem Graph-Neuralnetzwerk vor. Die Rotationsinvarianz wird für die Kantennachrichten des Netzes durch die Verwendung eines lokalen Koordinatensystems pro Kante und einer neuartigen Spin-Faltung über den verbleibenden Freiheitsgrad erreicht. Für die Anwendungen Strukturerelaxation und Molekulardynamik werden zwei Modellvarianten vorgeschlagen. Auf dem umfangreichen Open Catalyst 2020-Datensatz werden Stand-der-Technik-Ergebnisse demonstriert. Vergleiche wurden auch auf den Datensätzen MD17 und QM9 durchgeführt.