التعلم العميق قد أدى إلى تحول جذري في مجال الذكاء الاصطناعي، بما في ذلك البحث على الويب والنصوص والصور، والتعرف على الكلام، بالإضافة إلى المعلومات الحيوية، مع تأثير متزايد في الفيزياء الكيميائية. التعلم الآلي بشكل عام والتعلم العميق بشكل خاص مناسبان بشكل مثالي لتمثيل التفاعلات الكمومية، مما يمكّن من نمذجة الأسطح الطاقوية اللاخطية أو تعزيز استكشاف فضاء المركبات الكيميائية. هنا نقدم بنية التعلم العميق SchNet المصممة خصيصًا لنمذجة النظم الذرية باستخدام طبقات التفتيش المتواصلة (continuous-filter convolutional layers). نوضح قدرات SchNet من خلال التنبؤ بدقة بمجموعة واسعة من الخصائص عبر فضاء الكيمياء للمواد (molecules and materials)، حيث يتعلم نموذجنا تمثيلات كيميائية محتملة لأنواع الذرات عبر الجدول الدوري. أخيرًا، نستخدم SchNet للتنبؤ بالأسطح الطاقوية والمجالات القوى المحافظة للطاقة في محاكاة الديناميكا الجزيئية للمواد الصغيرة ونقوم بدراسة مثال على الخصائص الكمومية لـ C$_{20}$20​-الفوليرين التي كانت ستكون غير قابلة للتنفيذ باستخدام الديناميكا الجزيئية الأولية العادية (ab initio molecular dynamics).