Аннотация:В данной работе рассматривается проблема точного восстановления энергий электронов в калориметрах с высоким размером зерна (HGCAL), используемых в современных установках физики высоких энергий, с помощью многослойного персептрона (MLP), обученного на выборках, сгенерированных методом Монте-Карло. Результаты моделирования показывают высокую точность предложенного алгоритма с точки зрения восстановления энергии, а также раскрывают особенности его работы в пограничных энергетических состояниях. Полученные результаты демонстрируют перспективность сочетания машинного обучения с фундаментальными физическими моделями и могут быть модифицированы для решения задач, связанных с другими типами частиц и нестандартными геометриями детекторов.