Modelar sistemas complejos con comportamiento dependiente de la memoria, como la difusión anómala y la viscoelasticidad, a menudo se ve obstaculizado por datos limitados y los desafíos computacionales de los problemas inversos. Aquí, desarrollamos un marco de Red Neuronal Informada por la Física (PINN) que incorpora derivadas fraccionarias en el tiempo para inferir parámetros físicos clave a partir de datos escasos y ruidosos. A pesar del potencial reconocido de los modelos fraccionarios, encontramos que los métodos PINN existentes en gran medida pasan por alto la dinámica no entera. Usando datos sintéticos y mediciones de reología experimentales, demostramos que nuestro marco podría recuperar con precisión parámetros como el coeficiente de difusión generalizado y órdenes fraccionarios, incluso bajo un ruido gaussiano del 25%. Notablemente, mientras que los modelos tradicionales requieren una parametrización extensa, nuestro enfoque predijo el comportamiento de relajación en tejidos biológicos con menos supuestos y menos del 10% de error relativo. Estos resultados sugieren que, si bien los PINN fraccionarios ofrecen herramientas poderosas para aprender dinámicas ocultas, los beneficios pueden estar limitados cuando los niveles de ruido son extremos o cuando la complejidad del comportamiento excede la estructura del modelo.