Como es conocido, la energía de los límites de grano (GB) determina la movilidad de los GB y su población en los metales. En este trabajo, estudiamos la energía de los GB en el plano cristalográfico (100) y en el rango de temperatura de 100 a 700 K. El estudio se lleva a cabo utilizando tanto el método de dinámica molecular (MD) como un enfoque de aprendizaje automático para aproximar los datos de MD con el fin de obtener una dependencia funcional en forma de una red neuronal de avance (FCNN). Consideramos los límites de grano de inclinación y torsión en el rango de ángulos de desalineación de 0 a 90 grados. Además, calculamos la energía promedio y mínima sobre el conjunto de estados de GB, ya que existen muchas estructuras estables y metastables con diferentes energías incluso en una desalineación de grano fija. Las energías mínimas disminuyen con el aumento de la temperatura, lo que es consistente con los resultados de otros estudios. La dispersión de las energías de GB en el rango de temperatura de 100 a 700 K se obtiene sobre la base de los datos de simulación de MD. La dispersión de energía obtenida está en razonable acuerdo con los datos de otros trabajos sobre los valores de energía de GB en aluminio puro. Se demuestra la capacidad predictiva de la FCNN entrenada, así como su capacidad para interpolar entre los puntos de energía y temperatura de los datos de MD.