Controlar la dinámica no lineal es un problema de larga data en la ingeniería. Aprovechar la información física conocida para acelerar o limitar el aprendizaje estocástico persigue un nuevo paradigma de aprendizaje científico de máquinas. Al linearizar sistemas no lineales, los métodos de control tradicionales no pueden aprender características no lineales a partir de datos caóticos para su uso en el control. Aquí presentamos el Control de Operador Profundo Informado por la Física (PIDOC), y al codificar la señal de control y la posición inicial en las pérdidas de una red neuronal informada por la física (PINN), se obliga al sistema no lineal a exhibir la trayectoria deseada dada la señal de control. PIDOC recibe señales como comandos físicos y aprende de los datos caóticos generados por el sistema no lineal de van der Pol, donde la salida de la PINN es el control. Aplicado a un problema de referencia, PIDOC implementa con éxito el control con una mayor estocasticidad para términos de orden superior. También se ha demostrado que PIDOC es capaz de converger a diferentes trayectorias deseadas basadas en estudios de caso. Las posiciones iniciales afectan ligeramente la precisión del control en la etapa inicial pero no cambian la calidad general del control. Para sistemas altamente no lineales, PIDOC no puede ejecutar el control con alta precisión en comparación con el problema de referencia. La profundidad y amplitud de la estructura de la red neuronal no cambian significativamente la convergencia de PIDOC según estudios de caso de sistemas de van der Pol con baja y alta no linealidad. Sorprendentemente, aumentar la señal de control no ayuda a mejorar la calidad del control. El marco propuesto puede potencialmente aplicarse a muchos sistemas no lineales para controles no lineales.