Maschinelles Lernen wird auf vielfältige Weise für die Vorhersage von Materialeigenschaften eingesetzt. Kürzlich wurde vorgeschlagen, kristalline Materialien durch einen sogenannten Kristallgraphen – einen Multigraphen – darzustellen. Mit an solche Graphen angepassten konvolutionellen neuronalen Netzwerken konnten bereits Bulk-Eigenschaften von Materialien erfolgreich vorhergesagt werden, wobei Gleichgewichtsbindungsabstände als räumliche Information genutzt wurden. Eine kürzlich durchgeführte Untersuchung zu Graphennetzwerken für kleine Moleküle zeigte, dass das Modell ohne Berücksichtigung von Abständen nahezu ebenso gut abschneidet wie das Modell mit Abstandsinformation. In dieser Arbeit wird ein Ansatz für Kristallgraphen-Neuronale Netzwerke (CGNNs) vorgestellt, der auf die Verwendung von Bindungsabständen verzichtet. Zudem wird ein skaleninvarianter Graphenkoordinator eingeführt, der die Konstruktion von Kristallgraphen ermöglicht, sodass die CGNN-Modelle auf einem Datensatz basierend auf einer theoretischen Materials-Datenbank trainiert werden können. Die CGNN-Modelle prognostizieren Bulk-Eigenschaften wie Bildungsenthalpie, Zellvolumen, Bandlücke und totale Magnetisierung für jedes getestete Material; die durchschnittlichen Fehler liegen dabei unter den entsprechenden Fehlern der zugrundeliegenden Datenbank. Die vorhergesagten Bandlücken und totalen Magnetisierungen werden für die binäre Klassifikation von Metall-Isolator und Nichtmagnet-Magnet verwendet, wobei die Klassifikation erfolgreich ist. In dieser Arbeit werden zudem Diskussionen zur Hochdurchsatz-Screening-Kandidatmaterialien mittels vorhergesagter Bildungsenthalpien sowie zur zukünftigen Entwicklung von Materialdatenmining basierend auf CGNN-Architekturen vorgelegt.