Este documento presenta NSGA-PINN, un marco de optimización multiobjetivo para el entrenamiento efectivo de redes neuronales informadas por física (PINNs). El marco propuesto utiliza el algoritmo genético de clasificación no dominada (NSGA-II) para permitir que los algoritmos tradicionales de optimización de gradiente estocástico (por ejemplo, ADAM) escapen de los mínimos locales de manera efectiva. Además, el algoritmo NSGA-II permite satisfacer las condiciones iniciales y de contorno codificadas en la función de pérdida durante el entrenamiento informado por física de manera precisa. Demostramos la efectividad de nuestro marco aplicando NSGA-PINN a varios problemas de ecuaciones diferenciales ordinarias y parciales. En particular, mostramos que el marco propuesto puede manejar problemas inversos desafiantes con datos ruidosos.