Deep learning for jet modification in the presence of the QGP background
Cette étude démontre que les réseaux de neurones à graphes dynamiques (DGCNN) appliqués à des nuages de particules après soustraction du fond thermique surpassent les réseaux de neurones convolutifs (CNN) pour prédire avec précision la perte d'énergie fractionnelle des jets dans le plasma de quarks et de gluons, confirmant ainsi l'avantage des approches basées sur la structure complète du jet dans des conditions expérimentales réalistes.