Eine Vielzahl von maschinellen Lernproblemen befasst sich mit der Verarbeitung graphenstrukturierter Daten. Bestehende maschinelle Lernansätze für Graphen erfordern jedoch oft die Berechnung rechenintensiver Graphenähnlichkeitsmaße, die Vorverarbeitung von Eingabegraphen oder die explizite Ordnung der Knoten. In dieser Arbeit präsentieren wir eine neuartige und einfache Architektur eines konvolutionellen neuronalen Netzes für überwachtes Lernen auf Graphen, die beweisbar invariant gegenüber Knotenpermutationen ist. Die vorgeschlagene Architektur arbeitet direkt auf beliebigen Graphen und führt keine Knotensortierung durch. Zudem verwendet sie einen einfachen mehrschichtigen Perzeptron-Netzwerk-Block zur Vorhersage, im Gegensatz zu herkömmlichen Konvolutionsschichten, die in anderen tiefen Lernansätzen für Graphen üblich sind. Trotz ihrer Einfachheit ist unsere Architektur mit modernsten Graphkernen und bestehenden Graphen neuronalen Netzen auf Benchmark-Datensätzen für Graphklassifikation konkurrenzfähig. Unser Ansatz übertrifft andere tiefen Lernalgorithmen für Graphen deutlich bei mehreren multiklassenklassifikationsbasierten Aufgaben. Zudem evaluieren wir unsere Methode auf einer realen Anwendung im Bereich der Materialwissenschaft, wo wir äußerst überzeugende Ergebnisse erzielen.