최근 몇 년 동안, 기계 학습(ML) 방법이 계산 화학에서 점점 더 인기를 얻고 있습니다. 적절한 ab initio 참조 데이터로 훈련된 이러한 방법은 전자 슈뢰딩거 방정식을 명시적으로 해결할 필요 없이 화학 시스템의 속성을 정확하게 예측할 수 있게 합니다. 깊은 신경망(DNNs)은 대규모 데이터셋에 대한 계산 효율성과 확장성 덕분에 화학 응용 분야에서 특히 유망한 ML 알고리즘입니다. 본 연구에서는 에너지, 힘 및 유전 모멘트를 예측하기 위해 설계된 DNN 구조인 PhysNet을 소개합니다. PhysNet은 QM9, MD17 및 ISO17 벤치마크에서 최고 수준의 성능을 달성하였습니다. 또한, 화학 반응, 장거리 상호작용 및 고체상태 시스템을 설명하는 ML 모델의 성능을 조사하기 위해 두 개의 새로운 데이터셋이 생성되었습니다. 잠재 에너지 표면(PES)의 점근 영역을 질적으로 올바르게 설명하기 위해서는 에너지 예측에 전기 정적 효과를 명시적으로 포함시키는 것이 필수적임이 밝혀졌습니다. 체계적으로 구성된 소규모펩타이드 조각(가장 무거운 원자는 8개 이하)으로 훈련된 PhysNet 모델들은 deca-알라닌(Ala${10}$)과 같은 상당히 큰 단백질로 일반화될 수 있었습니다: PhysNet으로 예측된 나선형 Ala${10}$의 최적화된 구조는 ab initio 결과와 거의 동일(RMSD = 0.21 Å)합니다. 가스상태에서 PhysNet-PES 위에서 비편향 분자 역학(MD) 시뮬레이션을 수행한 결과, 나선형 구조 대신 와인 형태의 구성을 취하는 Ala$_{10}$가 참조 ab initio 계산에 따르면 나선형보다 0.46 kcal mol$^{-1}$ 더 안정적임이 확인되었습니다.