Este estudio propone una estrategia para descomponer el dominio computacional para resolver ecuaciones diferenciales utilizando redes neuronales informadas por la física (PINNs) y guardar progresivamente el modelo entrenado en cada subdominio. El método propuesto de descomposición progresiva del dominio (PDD) segmenta el dominio en base a la dinámica de la pérdida residual, indicando la complejidad de diferentes secciones dentro de todo el dominio. Al analizar la pérdida residual punto a punto y agregándola en intervalos específicos, identificamos regiones críticas que requieren atención focalizada. Esta segmentación estratégica permite la aplicación de redes neuronales adaptadas en subdominios identificados, cada uno caracterizado por diferentes niveles de complejidad. Además, el método propuesto entrena y guarda el modelo progresivamente en base a métricas de rendimiento, conservando así recursos computacionales en secciones donde se logran resultados satisfactorios durante el proceso de entrenamiento. La efectividad de PDD se demuestra a través de su aplicación a ecuaciones diferenciales parciales complejas, donde mejora significativamente la precisión y conserva la potencia computacional al simplificar estratégicamente las tareas computacionales en segmentos manejables.