في السنوات الأخيرة، أصبحت طرق التعلم الآلي (ML) شائعة بشكل متزايد في الكيمياء الحاسوبية. بعد تدريبها على بيانات مرجعية مناسبة من نوع "ab initio"، تسمح هذه الطرق بتوقع خصائص الأنظمة الكيميائية بدقة، مما يتجنب الحاجة إلى حل معادلة شرودنغر الإلكترونية بشكل صريح. نظرًا لفعاليتها الحاسوبية وقدرتها على التعامل مع مجموعات بيانات كبيرة، تعد الشبكات العصبية العميقة (DNNs) خوارزمية واعدة للغاية للتطبيقات الكيميائية. يقدم هذا العمل PhysNet، وهي هندسة للشبكات العصبية العميقة مصممة لتوقع الطاقات والقوى والعزوم ثنائية القطب للأنظمة الكيميائية. تحقق PhysNet أداءً رائدًا في مقاييس QM9 و MD17 و ISO17. بالإضافة إلى ذلك، تم إنشاء قاعدتين جديدتين للبيانات لاختبار أداء نماذج التعلم الآلي في وصف réactions الكيميائية، التفاعلات طويلة المدى، وأنظمة المرحلة المكثفة. يُظهر البحث أن تضمين الإلكتروستاتيكا بشكل صريح في توقعات الطاقة أمر حاسم لتحقيق وصف كمي صحيح للمناطق الأسيوطية لسطح الطاقة المحتملة (PES). يمكن لنماذج PhysNet التي تم تدريبها على مجموعة منشأة بطريقة منهجية من جزيئات الببتيد الصغيرة (حتى ثماني ذرات ثقيلة) أن تتعمم إلى بروتينات أكبر بكثير مثل ديكاآلانين (Ala${10}$10): الهندسة المحسنة لـ Ala${10}$10 التي يتوقعها PhysNet متطابقة تقريبًا مع نتائج "ab initio" (RMSD = 0.21 Å). عن طريق تشغيل محاكاة الديناميات الجزيئية غير المتحيزة (MD) لـ Ala${10}$10 على سطح الطاقة المحتملة لـ PhysNet في الغاز، تم العثور على أن Ala${10}$10 تتجمع في تركيب على شكل غاردة بدلاً من التركيب الحلزوني، وهو أكثر استقرارًا من الشكل الحلزوني بمقدار 0.46 kcal mol$^{-1}$−1 حسب الحسابات المرجعية "ab initio".