Modellierung und Simulation auf atomistischer Skala sind essenziell für das Verständnis komplexer Materialien. In diesem Bereich sind Machine-Learning Interatomare Potenziale (engl. machine learning interatomic potentials (MLIPs)) sich schnell entwickelnde Werkzeuge, die Beschreibung interatomarer Wechselwirkungen mit einer Genauigkeit nahe der von quantenmechanischen Methoden erlauben. Gleichzeitig sind sie deutlich effizienter zu berechnen. Dies ermöglicht große Molekulardynamik (engl. molecular dynamics (MD)) Simulationen mit nie dagewesener Detailtreue. Aktuelle Forschung in diesem Bereich ist häufig auf die Methodenentwicklung fokussiert und verwendet für den ’proof of concept’ meistens elementare Systeme. Im Gegensatz dazu, befasst sich diese Dissertation mit der Entwicklung und Anwendung von MLIPs, insbesondere hocheffizienten Atomare Cluster Expansion Potenzialen (engl. Atomic Cluster Expansion potential (ACEP)), für die strukturell und chemisch komplexen Systeme Cu-Zr und Si-O-C. Beide sind exemplarisch für wichtige Materialklassen, Metalle und Glaskeramiken. Cu-Zr weist eine Vielzahl intermetallischer Phasen auf und ist ein bekannter Glasbildner. Die Leistung des entwickelten Potenzials wird mit verfügbaren klassischen Potenzialen und experimentellen Daten verglichen. Das mit dem Potenzial berechnete Konzentrations-Temperatur Phasendiagramm stimmt weitgehend mit dem Experimentell überein. Darüber hinaus wird die Glasstruktur untersucht, wobei eine im Vergleich zu klassischen Potenzialen unterschiedliche Nahordnung der Atome festgestellt wird. Zugversuche an Glas-Kristall Proben zeigen das Auftreten martensitischer Phasenumwandlungen in B2-CuZr. Silizium Oxycarbid hat eine weitgehend einstellbare Zusammensetzung und Mikrostruktur. Folglich müssen die Trainingsdaten für das Material einen breiten Konfigurationsraum abdecken, was durch eine Active-Learning Strategie auf Basis von im Material vorhandenen Struktureinheiten erreicht wird. Das entwickelte ACEP ist das erste öffentlich verfügbare Potenzial für dieses System. In dieser Arbeit wird es verwendet, um die atomare Struktur und ihren Zusammenhang mit elastischen Eigenschaften zu untersuchen. Entgegen allgemeinen Annahmen spielen graphitische Agglomerate im System für das Elastizitätsmodul eine untergeordnete Rolle. Stattdessen wird eine starke Korrelation zu SiO4 Tetraedern und SiC-Bindungen festgestellt. Das letzte Thema dieser Dissertation ist die Evaluierung verschiedener Arten von MLIPs. Während der Arbeiten an Cu-Zr und Si-O-C haben sich äquivariante Strukturbeschreibungen und Message-Passing Graph Neural Networks als vielversprechende Methoden zur Erzielung immer höherer Genauigkeiten herauskristallisiert. Neuartige NequIP, Allegro und MACE MLIPs, die diese Methoden implementieren, werden mit etablierten MLIPs verglichen. Die Tests zeigen den großen Datenbedarf von Hochdimensionalen Neuronalen Netzwerk Potenzialen auf und unterstreichen den Zusammenhang zwischen erreichbarer Genauigkeit und erhöhtem Rechenaufwand. ACEPs stellen hierbei weiterhin einen guten Kompromiss dar.