Graph Neural Architecture Search hat aufgrund der herausragenden Schlussfolgerungsfähigkeit von Graph Neural Networks (GNNs) bei zahlreichen relationalen Aufgaben erhebliche Aufmerksamkeit erlangt. Allerdings betont der derzeit verwendete Graph-Suchraum übermäßig die Lernung von Knotenmerkmalen und vernachlässigt die Exploration hierarchischer relationaler Informationen. Zudem ist der Suchraum aufgrund der vielfältigen Mechanismen im Nachrichtenaustausch deutlich größer als der von CNNs, was die direkte Anwendung klassischer Suchstrategien zur Erforschung komplexer Graph-Suchräume erschwert. Wir stellen Automatic Relation-aware Graph Network Proliferation (ARGNP) vor, ein effizientes Verfahren zur Suche von GNNs mit einem relationenorientierten Nachrichtenaustauschmechanismus. Konkret entwickeln wir zunächst einen neuartigen dualen, relationenbewussten Graph-Suchraum, der sowohl Knoten- als auch Relationenlernoperationen umfasst. Diese Operationen ermöglichen die Extraktion hierarchischer Knoten- und relationaler Informationen und liefern anisotrope Leitlinien für den Nachrichtenaustausch in einem Graphen. Zweitens entwerfen wir, analog zum Zellproliferationsprozess, ein Netzwerkproliferations-Suchparadigma, das schrittweise GNN-Architekturen durch iterative Durchführung von Netzwerkteilung und Differenzierung bestimmt. Experimente an sechs Datensätzen für vier graphbasierte Lernaufgaben zeigen, dass die von unserer Methode generierten GNNs die derzeitigen state-of-the-art hand-konstruierten und suchbasierten GNNs überlegen sind. Der Quellcode ist unter https://github.com/phython96/ARGNP verfügbar.