深層学習は、構造化データの表現を学習し、化学空間の探索を加速するのに理想的であるため、量子化学を革命化する可能性を持っています。画像、音声、動画データでは畳み込みニューラルネットワークが最初の選択肢として証明されていますが、分子内の原子はグリッドに制限されません。その代わりに、原子の正確な位置には離散化すると失われる重要な物理情報が含まれています。したがって、ローカル相関をモデル化するためにグリッド上のデータを必要としない連続フィルタ畳み込み層を使用することを提案します。これらの層をSchNet（分子内の量子相互作用をモデル化する新しい深層学習アーキテクチャ）に適用します。私たちは基本的な量子化学的原则に従う全エネルギーと原子間力の共同モデルを得ます。これには回転不変性のエネルギー予測と滑らかで微分可能なポテンシャルエネルギ面が含まれます。当社のアーキテクチャは平衡状態の分子や分子動力学軌道のベンチマークにおいて最先端の性能を達成しています。最後に、化学的および構造的な変異を持つより挑戦的なベンチマークを導入し、今後の研究への道筋を示唆しています。