Die Entwicklung effizienter maschineller Lernmodelle zur Darstellung molekularer Systeme wird in der wissenschaftlichen Forschung zunehmend entscheidend. Wir stellen TensorNet vor, eine innovative O(3)-äquivariante Nachrichtenübertragungs-Neural-Netzwerk-Architektur, die kartesische Tensor-Darstellungen nutzt. Durch die Verwendung kartesischer Tensor-Atom-Einbettungen wird die Merkmalsmischung vereinfacht, indem Matrix-Produkt-Operationen eingesetzt werden. Zudem ermöglicht die kosteneffiziente Zerlegung dieser Tensoren in irreduzible Darstellungen der Rotationsgruppe eine getrennte Verarbeitung von Skalaren, Vektoren und Tensoren, falls erforderlich. Im Vergleich zu Modellen mit höher-rangigen sphärischen Tensoren erreicht TensorNet eine state-of-the-art-Leistung mit signifikant weniger Parametern. Für die Vorhersage von Potentialenergien kleiner Moleküle ist dies bereits mit einer einzigen Interaktions-Schicht möglich. Aufgrund all dieser Eigenschaften wird die Rechenkosten des Modells erheblich reduziert. Darüber hinaus ist die präzise Vorhersage von vektoriellen und tensoriellen molekularen Größen neben Potentialenergien und Kräften möglich. Zusammenfassend eröffnet der Framework von TensorNet einen neuen Ansatzraum für die Gestaltung hochentwickelter äquivarianter Modelle.