Ovo istraživanje predstavlja modele strojnog učenja i tehnike koje se koriste za razlikovanje mlazova nastalih od kvarkova ili gluona, a primijenjeni su za korištenje na podacima prikupljenim eksperimentom ALICE u CERN-u. To se postiže korištenjem velike količine Monte Carlo simuliranih podataka za obuku i validaciju predloženih modela. Izvršena je opsežna analiza modela i predviđanja. Model koji pokazuje najbolje performanse je PFN-ID, posebno dizajnirana neuralna mreža koja koristi kinematičke veličine čestica zajedno s informacijama o njihovom okusu. PFN-ID je univerzalno najbolji model budući da je superiorniji od svakog drugog modela u cijelom rasponu promatranih ukupnih momenta mlazova. Iz analize se može izvući nekoliko zaključaka. Varijable na razini čestica treba prvo prethodno obraditi kako bi se smanjila količina simetrije u podacima. Modeli koji koriste neobrađene četverovektore količina gibanja četiri pokazuju se gorim od modela koji koriste udjele ukupnih transverzalnih momenta, brzine i azimutalne kutove u odnosu na os mlaza. Drugi zaključak je da je okus na razini čestica vrlo važan za diskriminantu koja razlučuje kvarkovske i gluonskie mlazove. Svaki model koji koristi ove podatke ima bolju izvedbu od svog analognog modela koji ih ne koristi. Ovo je vrlo korisno za primjenu na podacima koje prikuplja ALICE detektor, budući da taj detektor ima vrlo dobru sposobnost identifikacije čestica. Modeli koji koriste globalne varijable mlaza pokazuju nešto goru izvedbu od modela koji koriste informacije na razini čestica (uključujući identitet čestica). To je za očekivati budući da na razini čestica, podaci sadrže mnogo više informacija koje dovoljno složeni modeli mogu iskoristiti. Međutim, takvi modeli mogu biti računalno zahtjevni i teški za obuku. Diskriminacijska moć svakog od treniranih modela raste s ukupnim transverzalnim momentom mlaza p_T, bez obzira na arhitekturu i prikaz podataka. To znači da su uzorci kvarkovskih i gluonskih mlazova međusobno slabije odvojivi pri niskim p_T. Analiza važnosti značajki pokazuje nam koje su varijable značajne u procesu odlučivanja modela. Najvažnije globalne varijable su širina mlaza i broj čestica u mlazu. Širina mlaza je dominantno važna za modele trenirane na mlazovima s niskim p_T. Važnost ostalih varijabli raste s povećanjem p_T mlazova. Važnosti značajki izvedenih na slikama mlazova pokazuje područje oko osi mlaza koje je najosjetljivije na odluke modela. Ova efektivna površina se smanjuje s povećanjem mlaza p_T. Nadalje, razvili smo metodu za izračunavanje temeljnih distribucija vjerojatnosti raspada čestica, koristeći samo podatke koji se mogu prikupiti u detektoru. Prvo, generiramo umjetni fizikalni sustav temeljen na dijelu QCD procesa fragmentacije. Zatim predstavljamo ključni dio metode: algoritam 2NN. Algoritam točno predviđa većinu skrivenih rezonantnih čestica, kao i njihove kanale raspada, koji se mogu pojaviti u evoluciji mlazova. Energetski spektri čestica u konačnom stanju također se mogu dosta točno reproducirati. Iako je testiran samo na spomenutom sustavu, vjerujemo da je algoritam dovoljno općenit kako bi se primijenio na stvarne fizikalne sustave, kao što su sudari visokoenergetskih čestica. Nadamo se da će se u budućnosti ova metoda pokazati korisnom u mjerenju fragmentacijskih funkcija kvarkova i gluona. Dodatno, takva bi se metoda mogla upotrijebiti u potrazi za supersimetričnim česticama nepoznatih masa ili u mjerenju omjera grananja poznatih raspada.