La tecnología Massive MIMO (MIMO masivo), caracterizada por el uso de un gran número de antenas, es un habilitador clave para las comunicaciones inalámbricas de próxima generación y más allá. A pesar de su potencial para un alto rendimiento, implementar un sistema Massive MIMO presenta numerosos desafíos técnicos, incluyendo la complejidad del hardware, el costo y el consumo de energía que resultan del gran número de antenas y los circuitos de extremo frontal asociados. Una solución a estos desafíos es el uso de beamforming híbrido, que divide el proceso de transmisión y recepción en dominios analógicos y digitales. Para realizar el beamforming híbrido de manera eficiente, es necesario optimizar el beamformer analógico, denominado aquí como matriz de medición compresiva (CMM), que permite la proyección de señales de alta dimensión en un espacio de baja dimensión. Sin embargo, los enfoques clásicos para optimizar el CMM son intensivos en computación y consumen mucho tiempo, lo que limita su utilidad para el procesamiento en tiempo real. En este documento, proponemos un enfoque basado en aprendizaje profundo para optimizar el CMM utilizando redes de memoria a corto y largo plazo (LSTM). Este enfoque ofrece una alta precisión con una baja complejidad, lo que lo convierte en una solución prometedora para la implementación en tiempo real de sistemas Massive MIMO.