Fenómenos diversos como la aniquilación de positrones en la Vía Láctea, la fusión de estrellas de neutrones binarias y la materia oscura pueden ser mejor comprendidos estudiando su emisión de rayos gamma. A pesar de su importancia, los rayos gamma de MeV han sido poco explorados en sensibilidades que permitirían una comprensión más profunda de la naturaleza de los objetos emisores de rayos gamma. En respuesta, se ha propuesto un concepto de instrumento de rayos gamma de cámara de proyección temporal de argón líquido (TPC) llamado GammaTPC, que promete la exploración de todo el cielo con un gran campo de visión, una gran área efectiva y una alta sensibilidad a la polarización. Optimizar la capacidad de apuntado de este instrumento es crucial y puede lograrse aprovechando las redes neuronales convolucionales para reconstruir trayectorias de retroceso de electrones a partir de eventos de dispersión de Compton dentro del detector. En esta investigación, desarrollamos una arquitectura de modelo de aprendizaje automático para acomodar un gran conjunto de datos de pistas de electrones simuladas de alta fidelidad y reconstruir trayectorias. Creamos dos arquitecturas de modelos: una para predecir el origen de la pista de retroceso de electrones y otra para la dirección de dispersión inicial. Descubrimos que estos modelos predicen el verdadero origen y dirección con una precisión extremadamente alta, optimizando así las estimaciones del observatorio sobre la ubicación en el cielo de las fuentes de rayos gamma.