Los algoritmos de aprendizaje automático son ampliamente utilizados para comprender las vastas cantidades de datos de colisiones de partículas de alta energía en el Gran Colisionador de Hadrones (LHC) del CERN. Los datos de tales eventos de colisión pueden representarse naturalmente con estructuras de gráficos. Por lo tanto, se han aprovechado métodos geométricos profundos, como las redes neuronales de gráficos (GNN), para diversas tareas de análisis de datos en física de altas energías. Una tarea típica es la identificación de jets, donde los jets se ven como nubes de puntos con características distintas y conexiones entre sus partículas constituyentes. El tamaño y la complejidad crecientes de los conjuntos de datos de partículas del LHC, así como los modelos computacionales utilizados para su análisis, han motivado en gran medida el desarrollo de paradigmas computacionales rápidos y eficientes alternativos, como la computación cuántica. Además, para mejorar la validez y robustez de las redes profundas, podemos aprovechar las simetrías fundamentales presentes en los datos a través del uso de entradas invariantes y capas equivariantes. En este documento, proporcionamos una comparación justa y completa de las redes neuronales de gráficos clásicas (GNN) y las redes neuronales de gráficos equivariantes (EGNN) y sus contrapartes cuánticas: redes neuronales de gráficos cuánticos (QGNN) y redes neuronales de gráficos cuánticos equivariantes (EQGNN). Las cuatro arquitecturas se evaluaron en una tarea de clasificación binaria para clasificar la partícula a nivel de partón que inicia el jet. Según sus puntuaciones del área bajo la curva (AUC), se encontró que las redes cuánticas superaban a las redes clásicas. Sin embargo, ver la ventaja computacional de las redes cuánticas en la práctica puede requerir esperar al desarrollo adicional de la tecnología cuántica y sus interfaces de programación de aplicaciones (API).