Al ajustar el entorno de propagación utilizando elementos reflectantes reconfigurables, las superficies reflectantes inteligentes (IRS, por sus siglas en inglés) se han convertido en técnicas potenciales utilizadas para mejorar la eficiencia de las redes de comunicación inalámbrica. En los sistemas de comunicación asistidos por IRS, la estimación precisa de los canales es crucial para optimizar la transmisión de señales y lograr una alta eficiencia espectral. A medida que el tráfico de datos móviles continúa aumentando y la demanda de conectividad inalámbrica de alta capacidad y baja latencia crece, los IRS están convirtiéndose en tecnologías fundamentales en el desarrollo de redes de comunicación de próxima generación. Los IRS ofrecen el potencial de revolucionar los entornos de propagación inalámbrica, mejorando la capacidad y cobertura de la red, especialmente en escenarios de ondas de alta frecuencia donde las señales tradicionales encuentran obstáculos. En medio de este panorama en evolución, el aprendizaje automático (ML, por sus siglas en inglés) emerge como una herramienta poderosa para aprovechar todo el potencial de los sistemas de comunicación asistidos por IRS, especialmente dada la creciente complejidad computacional asociada con la implementación y operación de IRS en entornos dinámicos. Este documento presenta una visión general de los resultados preliminares para la comunicación asistida por IRS utilizando redes neuronales recurrentes (RNN, por sus siglas en inglés). Primero implementamos técnicas de LSTM de una y dos capas, BiLSTM y GRU para un sistema de comunicación basado en IRS. En la siguiente fase, exploramos un enfoque híbrido, combinando diferentes técnicas de RNN, incluyendo LSTM-BiLSTM, LSTM-GRU y BiLSTM-GRU, así como sus configuraciones inversas. Estos algoritmos de RNN fueron evaluados con respecto a la tasa de error de bits (BER, por sus siglas en inglés) y la tasa de error de símbolos (SER) para la comunicación mejorada por IRS. Según los resultados experimentales, el modelo de doble capa BiLSTM y la combinación BiLSTM-GRU demostraron la mayor precisión de BER y SER en comparación con otros enfoques.