L'apprentissage profond a entraîné un changement de paradigme dans l'intelligence artificielle, notamment dans les domaines de la recherche web, du traitement du texte et des images, de la reconnaissance vocale, ainsi que dans l'informatique biologique, avec une influence croissante en physique chimique. L'apprentissage automatique en général et l'apprentissage profond en particulier sont particulièrement adaptés à la représentation des interactions quantiques, permettant de modéliser des surfaces d'énergie potentielle non linéaires ou d'améliorer l'exploration de l'espace des composés chimiques. Dans cet article, nous présentons l'architecture d'apprentissage profond SchNet, spécifiquement conçue pour modéliser les systèmes atomiques en utilisant des couches de convolution à filtre continu. Nous démontrons les capacités de SchNet en prédiction précise d'une gamme de propriétés à travers l'espace chimique pour \emph{les molécules et les matériaux}, où notre modèle apprend des plongements chimiquement plausibles des types d'atomes à travers le tableau périodique. Enfin, nous utilisons SchNet pour prédire des surfaces d'énergie potentielle et des champs de forces conservant l'énergie pour des simulations dynamiques moléculaires de petites molécules et effectuons une étude exemplaire des propriétés quantiques mécaniques du fullerène C$_{20}$20​, qui aurait été impossible avec la dynamique moléculaire ab initio classique.