La modelización de grano grueso (CG) ha definido un enfoque bien establecido para acceder a escalas de espacio y tiempo mayores inaccesibles para las simulaciones de dinámica molecular todo-atómicas (AA) computacionalmente costosas. Los métodos populares de CG siguen una arquitectura de abajo hacia arriba para igualar propiedades de datos de grano fino o experimentales cuyo desarrollo es un desafío desalentador que requiere la derivación de un nuevo conjunto de parámetros en el cálculo potencial. Propusimos un nuevo marco de aprendizaje automático informado por la física (PIML) para un modelo de CG y lo aplicamos, como verificación, para modelar la glicoproteína de pico del SARS-CoV-2. El PIML en el marco propuesto emplea un esquema de coincidencia de fuerzas con el cual determinamos los parámetros del campo de fuerza. Nuestro marco PIML define sus parámetros entrenables como los parámetros del campo de fuerza de CG y predice las fuerzas instantáneas en cada cuenta de CG, aprendiendo los parámetros del campo de fuerza para que coincidan mejor con las fuerzas predichas con las fuerzas de referencia. Utilizando los parámetros de interacción aprendidos, las simulaciones de validación de CGMD alcanzan la escala de tiempo de microsegundos con estabilidad, a una velocidad de simulación 40,000 veces más rápida que la AAMD convencional. En comparación con el enfoque iterativo tradicional, nuestro marco coincide con la estructura de referencia de AA con una precisión mejorada. La eficiencia mejorada mejora la puntualidad de la investigación y el desarrollo en la producción de simulaciones a largo plazo de SARS-CoV-2 y abre caminos para ayudar a iluminar los mecanismos de proteínas y predecir sus cambios ambientales.