Las Redes Neuronales Informadas por Física (PINNs) integran principios de física con aprendizaje automático, ofreciendo soluciones innovadoras para desafíos de modelado complejos. Los compuestos laminados, caracterizados por su comportamiento anisotrópico, estructuras multicapa e intrincadas interacciones entre capas, plantean desafíos significativos para los métodos computacionales tradicionales. Las PINNs abordan estos problemas al incrustar leyes físicas gobernantes directamente en arquitecturas de redes neuronales, permitiendo un modelado eficiente y preciso. Esta revisión proporciona una visión general completa de las PINNs aplicadas a compuestos laminados, destacando metodologías avanzadas como las PINNs híbridas, las PINNs de espacio k, las PINNs con restricciones teóricas, las PINNs óptimas y las PINNs disyuntas. Se exploran aplicaciones clave, incluyendo monitoreo de salud estructural (SHM), análisis estructural, análisis de esfuerzo-deformación y falla, y modelado multiescala, para ilustrar cómo las PINNs optimizan configuraciones de materiales y mejoran la confiabilidad estructural. Además, esta revisión examina los desafíos asociados con la implementación de las PINNs e identifica futuras direcciones para avanzar aún más en sus capacidades. Al cerrar la brecha entre modelos clásicos basados en física y técnicas basadas en datos, esta revisión avanza en la comprensión de las metodologías de PINN para compuestos laminados y destaca su papel transformador en abordar complejidades de modelado y resolver problemas del mundo real.