La aplicación del aprendizaje automático e inteligencia artificial para resolver desafíos científicos ha aumentado significativamente en los últimos años. Un desarrollo notable es el uso de Redes Neuronales Informadas por Física (PINNs) para resolver Ecuaciones en Derivadas Parciales (PDEs) numéricamente. Sin embargo, las técnicas actuales de PINN a menudo enfrentan problemas de precisión y convergencia lenta. Para abordar estos problemas, proponemos un método de muestreo de importancia para generar puntos de interpolación óptimos durante el entrenamiento. Los resultados experimentales demuestran que nuestro método logra una reducción del 43% en el error cuadrático medio en comparación con los métodos de vanguardia cuando se aplica a la ecuación unidimensional de Korteweg-De Vries.