深度学习在人工智能领域引发了一场范式变革，包括网络搜索、文本和图像检索、语音识别以及生物信息学等领域，并且其影响正在化学物理学中逐渐扩大。机器学习，尤其是深度学习，非常适合表示量子力学相互作用，能够建模非线性势能面或增强对化学化合物空间的探索。本文介绍了一种专门用于建模原子系统并利用连续滤波卷积层的深度学习架构——SchNet。我们通过准确预测分子和材料在化学空间中的多种性质来展示SchNet的能力，其中我们的模型学会了周期表中原子类型的化学合理嵌入。最后，我们使用SchNet预测小分子的动力学模拟中的势能面和能量守恒力场，并以C$_{20}$20​富勒烯的量子力学性质为例进行了研究，这些性质用常规从头算分子动力学方法是难以实现的。