Ces dernières années, les méthodes d'apprentissage automatique (machine learning, ML) ont connu une popularité croissante dans la chimie computationnelle. Après avoir été formées sur des données de référence ab initio appropriées, ces méthodes permettent de prédire avec précision les propriétés des systèmes chimiques, évitant ainsi la nécessité de résoudre explicitement l'équation de Schrödinger électronique. En raison de leur efficacité computationnelle et de leur capacité à s'adapter à de grands ensembles de données, les réseaux neuronaux profonds (deep neural networks, DNNs) constituent un algorithme ML particulièrement prometteur pour les applications chimiques. Ce travail présente PhysNet, une architecture DNN conçue pour prédire les énergies, les forces et les moments dipolaires des systèmes chimiques. PhysNet atteint des performances au niveau de l'état de l'art sur les benchmarks QM9, MD17 et ISO17. De plus, deux nouveaux ensembles de données sont générés afin d'évaluer les performances des modèles ML pour décrire les réactions chimiques, les interactions à longue portée et les systèmes en phase condensée. Il est démontré que l'inclusion explicite des électrostatiques dans les prédictions d'énergie est cruciale pour une description qualitative correcte des régions asymptotiques d'une surface d'énergie potentielle (PES). Les modèles PhysNet formés sur un ensemble systématiquement construit de fragments peptidiques petits (au maximum huit atomes lourds) sont capables de généraliser à des protéines considérablement plus grandes comme le déca-alanine (Ala$_{10}$10​) : La géométrie optimisée du déca-alanine hélicoïdal prédite par PhysNet est pratiquement identique aux résultats ab initio (RMSD = 0,21 Å). En exécutant des simulations dynamiques moléculaires (MD) non biaisées du déca-alanine sur la PES-PhysNet en phase gazeuse, il est constaté que le déca-alanine se replie en une configuration en couronne plutôt qu'en structure hélicoïdale, cette forme étant plus stable que la structure hélicoïdale selon les calculs ab initio de référence par 0,46 kcal mol$^{-1}$−1.