近年、計算化学において機械学習（ML）手法の利用が急速に増加しています。適切なアビニティオ参照データで訓練されたこれらの手法は、電子のシュレディンガー方程式を明示的に解く必要なく、化学系の特性を正確に予測することができます。深層ニューラルネットワーク（DNNs）は、その計算効率と大規模データセットへのスケーラビリティにより、化学応用における特に有望なMLアルゴリズムとなっています。本研究では、エネルギー、力および誘電モーメントの予測に設計されたDNNアーキテクチャであるPhysNetを紹介します。PhysNetはQM9、MD17およびISO17ベンチマークで最先端の性能を達成しています。さらに、化学反応、長距離相互作用および凝縮相系のMLモデルの性能を評価するために2つの新しいデータセットが生成されました。エネルギー予測において静電気力を明示的に含めることは、ポテンシャルエネルギーサーフェス（PES）の漸近領域を定性的に正しく描写する上で極めて重要であることが示されています。システム的に構築された小さなペプチド断片（最大8個の重原子）で訓練されたPhysNetモデルは、デカアラニン（Ala${10}$）のような著しく大きなタンパク質にも一般化できることが確認されました：PhysNetによって予測されたらせん状Ala${10}$の最適化幾何形状は、基準となるアビニティオ結果と実質的に同一であり（RMSD = 0.21 Å）。ガス相でのPhysNet-PES上での非偏向分子動力学（MD）シミュレーションにより、らせん構造ではなく円環状構造に折りたたまれるAla$_{10}$が見つかりました。参考となるアビニティオ計算によれば、この円環状構造はらせん形態よりも0.46 kcal mol$^{-1}$安定です。