El artículo presenta el desarrollo de nuevos algoritmos de aprendizaje de redes neuronales evolutivas informadas por la física. Estos algoritmos tienen como objetivo abordar los desafíos de problemas mal planteados mediante la construcción de una población cercana al frente de Pareto. El estudio se centra en comparar las capacidades del algoritmo basadas en tres criterios de calidad de soluciones. Para evaluar el rendimiento de los algoritmos, se han utilizado dos problemas de referencia. El primero implicaba resolver la ecuación de Laplace en regiones cuadradas con condiciones de contorno discontinuas. El segundo problema consideraba la ausencia de condiciones de contorno pero con la presencia de mediciones. Además, el estudio investiga la influencia de los hiperparámetros en los resultados finales. Se han realizado comparaciones entre los algoritmos propuestos y los algoritmos estándar para la construcción de redes neuronales basadas en la física (comúnmente conocidos como algoritmos "vanilla"). Los resultados demuestran la ventaja de los algoritmos propuestos en lograr un mejor rendimiento al resolver problemas mal planteados. Además, los algoritmos propuestos tienen la capacidad de identificar soluciones específicas con la suavidad deseada.