Die Darstellung von Jets bildet den Kern des maschinellen Lernens in der Jet-Physik. Inspiriert durch das Konzept von Punktwolken, schlagen wir einen neuen Ansatz vor, bei dem ein Jet als ungeordnete Menge seiner Bestandteilsteilchen betrachtet wird, effektiv eine „Teilchenwolke“. Eine solche Teilchenwolken-Darstellung von Jets ist effizient dabei, rohe Informationen über Jets zu integrieren und respektiert explizit die Permutations-Symmetrie. Auf Basis der Teilchenwolken-Darstellung stellen wir ParticleNet vor, eine angepasste neuronale Netzwerkarchitektur, die auf Dynamischen Graphenkonvolutionellen Neuronalen Netzen (Dynamic Graph Convolutional Neural Networks) basiert und für Jet-Klassifizierungsprobleme entwickelt wurde. Die ParticleNet-Architektur erreicht Spitzenleistungen bei zwei repräsentativen Jet-Klassifizierungsbenchmarks und zeigt erhebliche Verbesserungen im Vergleich zu bestehenden Methoden.