Wir untersuchen die Vorhersage von Eigenschaften für kristalline Materialien. Ein Kristallbauwerk besteht aus einer minimalen Einheitszelle, die unendlich oft im dreidimensionalen Raum wiederholt wird. Die genaue Darstellung solcher periodischer Strukturen in maschinellen Lernmodellen bleibt weiterhin eine offene Herausforderung. Aktuelle Methoden konstruieren Graphen, indem sie Kanten nur zwischen benachbarten Atomen verbinden, wodurch die unendlichen Wiederholungsmuster und weiträumige interatomare Wechselwirkungen nicht treu erfasst werden können. In dieser Arbeit stellen wir mehrere Innovationen vor, um diese Einschränkungen zu überwinden. Erstens schlagen wir vor, physikbasierte interatomare Potentiale direkt zu modellieren, anstatt wie in vielen bestehenden Ansätzen lediglich Abstände zu verwenden. Zu diesen Potentialen gehören das Coulomb-Potential, das London-Dispersions-Potential sowie das Pauli-Abstoßungspotential. Zweitens modellieren wir die vollständige Menge aller interatomaren Potentiale zwischen allen Atomen, anstatt wie in etablierten Methoden nur zwischen nahen Atomen. Dies wird durch unsere Approximationen unendlicher Potential-Summationen ermöglicht, wobei wir die Ewald-Summation für mehrere Potentialreihen erweitern und dabei beweisbare Fehlergrenzen garantieren. Schließlich schlagen wir vor, unsere Berechnungen der vollständigen interatomaren Potentiale in Nachrichtenübertragungs-Neuronale Netze (message passing neural networks) zur Repräsentationslernung einzubinden. Wir führen Experimente auf den Benchmarks JARVIS und Materials Project durch, um die Leistung zu evaluieren. Die Ergebnisse zeigen, dass die Verwendung von interatomaren Potentialen sowie vollständiger interatomarer Potentiale zu konsistenten Leistungsverbesserungen bei akzeptablen Rechenkosten führt. Unser Code ist öffentlich im Rahmen der AIRS-Bibliothek verfügbar (https://github.com/divelab/AIRS/tree/main/OpenMat/PotNet).