Los métodos de aprendizaje profundo que utilizan redes neuronales para resolver ecuaciones diferenciales parciales (EDP) han surgido como un nuevo paradigma. Sin embargo, muchos de estos métodos aproximan soluciones optimizando funciones de pérdida, a menudo encontrando problemas de convergencia y limitaciones de precisión. En este documento, proponemos un enfoque novedoso de aprendizaje profundo que aprovecha el poder expresivo de las redes neuronales para generar funciones base. Estas funciones base se utilizan luego para crear soluciones de prueba, que se optimizan utilizando el método de mínimos cuadrados para resolver los coeficientes en un sistema de ecuaciones lineales. Este método integra las fortalezas de los PINNs de transmisión y el método tradicional de mínimos cuadrados, ofreciendo tanto flexibilidad como alta precisión. Realizamos experimentos numéricos para comparar nuestro método con los resultados de esquemas de diferencias finitas de alto orden y varios métodos de redes neuronales comúnmente utilizados (PINNs, lbPINNs, ELMs y PIELMs). Gracias a la característica sin malla de la red neuronal, es particularmente efectivo para geometrías complejas. Los resultados numéricos demuestran que nuestro método mejora significativamente la precisión del aprendizaje profundo en la resolución de EDP, logrando niveles de error comparables a los métodos de diferencias finitas de alta precisión.