Das Verständnis der Beziehung zwischen Halo und Galaxie ist grundlegend, um unser Wissen über Natur und Eigenschaften von Dunkler Materie zu verbessern. In dieser Arbeit entwickeln wir ein Modell, das die Masse eines Halos anhand der Positionen, Geschwindigkeiten, Sternmassen und Radien der Galaxien, die es beherbergt, abschätzt. Um Informationen aus Korrelationen zwischen den Eigenschaften der Galaxien und deren Phasenraum zu erfassen, verwenden wir Graph Neural Networks (GNNs), die speziell für die Verarbeitung unregelmäßiger und spärlicher Daten konzipiert sind. Wir trainieren unsere Modelle anhand von Galaxien aus über 2.000 hochmodernen Simulationen des Cosmology and Astrophysics with MachinE Learning Simulations (CAMELS)-Projekts. Unser Modell, das kosmologische und astrophysikalische Unsicherheiten berücksichtigt, ist in der Lage, die Massen der Halos mit einer Genauigkeit von etwa 0,2 dex zu bestimmen. Darüber hinaus zeigt ein GNN, das an einer Reihe von Simulationen trainiert wurde, eine gewisse Erhaltung seiner Genauigkeit, wenn es auf Simulationen getestet wird, die mit einem anderen Code und einer unterschiedlichen Untermodellierung der Unter-Gitter-Physik durchgeführt wurden, was die Robustheit unserer Methode belegt. Die PyTorch Geometric-Implementierung des GNN ist öffentlich auf GitHub unter https://github.com/PabloVD/HaloGraphNet verfügbar.