深層学習は、人工知能においてパラダイムシフトをもたらし、ウェブ検索、テキスト検索、画像検索、音声認識、バイオインフォマティクスなどに影響を与え、化学物理学の分野でもその影響が増大しています。機械学習全般、特に深層学習は量子力学的な相互作用を表現するために理想的であり、非線形ポテンシャルエネルギー面のモデル化や化学化合物空間の探索の強化に貢献します。本稿では、原子系をモデル化するために連続フィルタ畳み込み層を利用した深層学習アーキテクチャであるSchNetを紹介します。SchNetの能力を示すために、周期表全体での原子種の化学的に妥当な埋め込みを学習するモデルを使用して、分子および材料における化学空間全体のさまざまな特性を正確に予測することを示します。最後に、SchNetを用いて小分子の分子動力学シミュレーションにおけるポテンシャルエネルギー面とエネルギー保存力場を予測し、通常のアボイニョ分子動力学では困難であったC${20}$20-フルエルエンの量子力学的特性について例示的な研究を行います（原文: C${20}$20-fullerene）。