Las redes neuronales informadas por física (PINNs) se han adoptado ampliamente para resolver ecuaciones diferenciales parciales (PDEs), las cuales podrían utilizarse para simular sistemas físicos. Sin embargo, la precisión de las PINNs no satisface las necesidades de la industria y se degrada severamente, especialmente cuando la solución de la PDE tiene transiciones bruscas. En este artículo, proponemos una arquitectura de red mejorada con bloques ResNet para capturar mejor la transición. Al mismo tiempo, se desarrolla un esquema de PINN autoadaptativo y restringido (cSPINN) para desplazar el objetivo de las PINNs a las áreas del dominio físico que son difíciles de aprender. Para demostrar el rendimiento de nuestro método, presentamos los resultados de experimentos numéricos sobre la ecuación de Allen-Cahn, la ecuación de Burgers y la ecuación de Helmholtz. También mostramos los resultados de resolver la ecuación de Poisson utilizando cSPINNs en diferentes geometrías para mostrar la fuerte adaptabilidad geométrica de cSPINNs. Finalmente, proporcionamos el rendimiento de cSPINNs en una ecuación de Poisson de alta dimensionalidad para demostrar aún más la capacidad de nuestro método.