تتربع فكرة إنتاج الإنتروبي في صميم فهم عدم القابلية للعكس وعدم اليقين في الأنظمة الفيزيائية وأنظمة المعلومات. في الوقت الذي أثبتت فيه الشبكات العصبية المدعومة بالفيزياء (Physics-Informed Neural Networks - PINNs) فعاليتها في حل المعادلات التفاضلية، لا تزال الهياكل الحالية تقتصر عادة على مجالات معينة. هنا يأتي دور البحث الذي يطرح إطار عمل مُوحد للتعلم العميق المبني على الفيزياء (Physics-Informed Deep Learning - PIDL) الذي يفرض في آن واحد متطلبات المعادلات التفاضلية وحدود نظرية المعلومات ضمن بنية عصبية واحدة.

في هذا البحث، تم تقديم نموذجين رئيسيين يحتمل كليهما تطبيقاته في مجالات متنوعة:
1. **نموذج المفاعل المستمر (CSTR)** الذي يحل معادلات تفاضلية عُليا، مع فرض قيود Softplus التي تُحافظ على القانون الثاني للديناميكا الحرارية.
2. **نموذج السوق المالية** القائم على نظرية المعلومات، حيث تُستخدم المعادلات العكسية لنموذج Fokker-Planck لاستنتاج معاملتي الانجراف والانتشار. بالإضافة إلى ذلك، يُضمن تحقيق انضباطية الانتشار بواسطة قيود Softplus بشكل طبيعي.

كما تم تقييم ثلاث نسخ للنموذج، تشمل أساسين مختصين ونسخة بمحول مشترك. ويضمن إطار عمل PIDL القبول الدينامي الحراري المطلق مع عدم وجود انتهاكات للقانون الثاني، ويظهر كفاءة بيانات استثنائية، محتفظاً بدقة تنبؤية تتجاوز 90% باستخدام فقط 30% من بيانات التدريب المتاحة.

وعلاوة على ذلك، فإن التحليل الهندسي بعد الاكتساب لنموذج Ruppeiner Riemannian للسطح المكتسب للإنتروبي يحدد بشكل فعّال عدم الاستقرار في المراحل الديناميكية الحرارية.

توفر هذه المنهجية هيكلًا قويًا وغير محدد بالمجال يسهم في نمذجة الإنتروبي المحكومة بالفيزياء، ويُعزز التطبيقات في تصميم العمليات المستدامة وتقييم المخاطر المالية الكمية.