La représentation d'un jet est au cœur de l'apprentissage automatique en physique des jets. Inspirés par le concept de nuages de points, nous proposons une nouvelle approche qui considère un jet comme un ensemble non ordonné de ses particules constitutives, formant effectivement un « nuage de particules ». Une telle représentation sous forme de nuage de particules des jets permet une intégration efficace des informations brutes des jets et respecte explicitement la symétrie permutative. Sur la base de cette représentation par nuage de particules, nous proposons ParticleNet, une architecture de réseau neuronal personnalisée utilisant un Réseau Neuronal Convolutif Graphique Dynamique (Dynamic Graph Convolutional Neural Network) pour les problèmes d'étiquetage des jets. L'architecture ParticleNet atteint des performances à la pointe de l'art sur deux benchmarks représentatifs d'étiquetage des jets et améliore considérablement les méthodes existantes.