El análisis rápido del estrés térmico y la deformación juega un papel fundamental en las medidas de control térmico y la optimización del diseño estructural de los satélites. Para lograr un análisis en tiempo real del estrés térmico y la deformación térmica de las placas base de los satélites, este documento propone una nueva red neuronal Multi-Task Attention UNet (MTA-UNet) que combina las ventajas del Aprendizaje Multi-Tarea (MTL) y U-Net con un mecanismo de atención. Además, se utiliza una estrategia informada por la física en el proceso de entrenamiento, donde se integran ecuaciones diferenciales parciales (EDPs) en las funciones de pérdida como términos residuales. Finalmente, se aplica un enfoque de balanceo de pérdida basado en la incertidumbre para ponderar diferentes funciones de pérdida de múltiples tareas de entrenamiento. Los resultados experimentales muestran que el MTA-UNet propuesto mejora efectivamente la precisión de predicción de múltiples tareas físicas en comparación con los modelos de Aprendizaje de Tarea Única (STL). Además, el método informado por la física presenta menos error en la predicción de cada tarea, especialmente en conjuntos de datos pequeños.