Informamos de una mejora de más de un factor de dos en la resolución de energía hadrónica de un calorímetro Cherenkov simulado al estimar la energía con aprendizaje automático en lugar de técnicas tradicionales. La formación de señales instantáneas y las propiedades del umbral de energía de la radiación Cherenkov proporcionan características identificables que las técnicas de aprendizaje automático pueden aprovechar para producir un modelo superior para la reconstrucción de energía. Simulamos un calorímetro de fibra de cuarzo a través del marco GEANT4 para estudiar las técnicas de reconstrucción en eventos individuales. Comparamos el rendimiento de la reconstrucción basada en aprendizaje automático con la simple suma tradicional de señales y las técnicas de doble lectura que utilizan tanto señales Cherenkov como de scintilación. Describimos por qué este enfoque revolucionario para la calorimetría hadrónica Cherenkov sobresale y nuestros planes para una prueba de haz dedicada para validar estos hallazgos con un prototipo de calorímetro hadrónico rápido y resistente a la radiación.