यह शोधपत्र, परिवर्तनशील प्राचलों, सीमा स्थितियों और प्रारंभिक स्थितियों वाले वास्तविक-समय अनुप्रयोगों के लिए उपयुक्त मॉडल बनाने हेतु, भौतिकी-सूचित तंत्रिका नेटवर्क (PINN) में अनुक्रम एन्कोडिंग के एकीकरण का अन्वेषण करता है। हालाँकि पारंपरिक PINN, विरल समाश्रयण के साथ मिलकर, पर्यवेक्षित अधिगम और विरल समाश्रयण अनुकूलन के माध्यम से गतिशील प्रणालियों की पहचान करने और PINN का उपयोग करके गतिशील समस्याओं को हल करने की एक विधि के रूप में उभरे हैं, फिर भी वे प्राचलों, सीमा स्थितियों या प्रारंभिक स्थितियों में परिवर्तन होने पर मॉडल पुनर्प्रशिक्षण की आवश्यकता की सीमा से ग्रस्त हैं। इस अध्ययन में, हम एक ऐसी वास्तुकला प्रस्तुत करते हैं जो गहन सेट या अनुक्रम एनकोडर का उपयोग करके गतिशील प्राचलों, सीमा स्थितियों और प्रारंभिक स्थितियों को एनकोड करती है, और फिर इन एनकोडेड विशेषताओं को PINN के इनपुट के रूप में उपयोग करती है, जिससे वे प्राचलों, सीमा स्थितियों और प्रारंभिक स्थितियों में परिवर्तनों के अनुकूल हो जाते हैं। हम इस दृष्टिकोण की मजबूती और सामान्यीकरण क्षमता को तीन समस्याओं पर लागू करके प्रदर्शित करते हैं: एक रॉसलर ODE प्रणाली, एक 2D नेवियर-स्टोक्स PDE समस्या (सिलेंडर के चारों ओर प्रवाह), और एक 1D थर्मल मॉनिटरिंग समस्या (ग्लास फाइबर और थर्मोप्लास्टिक मिश्रित प्लेटों को गर्म करने पर वास्तविक दुनिया का डेटा)।
