Los modelos dinámicos precisos de robots son cruciales para un control seguro y estable, así como para la generalización a nuevas condiciones. Los métodos basados en datos se utilizan cada vez más en la modelización de la dinámica de la robótica por su excelente aproximación, siendo el rendimiento de la extrapolación un indicador crítico de eficacia. Aunque el aprendizaje profundo se utiliza ampliamente, a menudo pasa por alto principios físicos esenciales, lo que lleva a capacidades de extrapolación más débiles. Las innovaciones recientes han introducido redes profundas inspiradas en la física que integran el aprendizaje profundo con la física, lo que conduce a una mejora en la extrapolación debido a su estructura informada, pero potencialmente a un ajuste insuficiente en escenarios del mundo real debido a la presencia de fenómenos no modelados. Este artículo presenta un marco experimental para evaluar las capacidades de extrapolación de los métodos basados en datos. Utilizando este marco, se aplican redes profundas inspiradas en la física para aprender los modelos de dinámica inversa de un manipulador robótico simulado y dos sistemas físicos reales. Los resultados muestran que bajo condiciones de observación ideales, los modelos inspirados en la física pueden aprender la estructura subyacente del sistema y demostrar fuertes capacidades de extrapolación, lo que indica una dirección prometedora en la robótica al ofrecer modelos más precisos e interpretables. Sin embargo, en sistemas reales su extrapolación a menudo se queda corta porque los conocimientos previos físicos no capturan todos los fenómenos dinámicos, lo que indica margen de mejora en aplicaciones prácticas.