Geometrisches Deep Learning ist ein junges und vielversprechendes Forschungsfeld, das innovative Lösungen für das automatisierte Verständnis und die Charakterisierung der Geometrie, Form und Topologie von Einzelteilen und Baugruppen bietet. Das automatisierte Verständnis dieser Aspekte ist entscheidend für nachgelagerte Aufgaben wie Klassifikation, Segmentierung und die Erkennung von Gestaltungsabsichten. Diese Masterarbeit wird die spannende Herausforderung untersuchen, Geometrieinformationen mithilfe maschineller Lerntechniken aus der aktuellen Fachliteratur in einer Autoencoding-Aufgabe zu kodieren und die Vor- und Nachteile verschiedener Verfahren für Einzelteilgeometrien herauszuarbeiten. Anschließend soll ein Verfahren gefunden werden, um diese Methoden rotationsäquivariant zu machen.