La simulación precisa y eficiente de los flujos de aire en las vías respiratorias humanas es fundamental para avanzar en la comprensión de la fisiología respiratoria, el diagnóstico de enfermedades y la entrega de medicamentos por inhalación. La dinámica de fluidos computacional (CFD) tradicional proporciona predicciones detalladas, pero a menudo es sensible a la malla y costosa computacionalmente para geometrías complejas. En este estudio, exploramos el uso de redes neuronales informadas por la física (PINNs) para simular flujos de aire en tres geometrías con creciente complejidad: un conducto, un modelo simplificado de boca-pulmón y una vía aérea superior específica del paciente. Se presentaron procedimientos clave para implementar el entrenamiento y la prueba de PINN, incluyendo la preparación/escala de la geometría, la especificación de límites/restricciones, diagnósticos de entrenamiento, no dimensionalización y mapeo de inferencia. Se probaron tanto el PINN laminar como el PINN de longitud de mezcla SDF. Las predicciones de PINN se validaron contra simulaciones CFD de alta fidelidad para evaluar la precisión, eficiencia y generalización. Los resultados demostraron que la no dimensionalización de las ecuaciones gobernantes era esencial para garantizar la precisión del entrenamiento para flujos respiratorios a 1 m/s y superiores. El diagnóstico basado en la matriz Hessiana reveló un rápido aumento en los desafíos de entrenamiento con la velocidad del flujo y la complejidad geométrica. Tanto los PINNs laminar como el de longitud de mezcla SDF lograron una precisión comparable a las predicciones CFD correspondientes en el conducto y la geometría simplificada de boca-pulmón. Sin embargo, solo el PINN de longitud de mezcla SDF capturó adecuadamente los detalles del flujo únicos de la morfología respiratoria, como la desviación del flujo inducida por obstrucciones, los flujos de recirculación y la decadencia del chorro laríngeo. Los resultados de este estudio destacan el potencial de los PINNs como una alternativa flexible a la CFD convencional para modelar flujos de aire respiratorios, con adaptabilidad a geometrías específicas del paciente y una prometedora integración con imágenes estáticas o en tiempo real (por ejemplo, CT/MRI 4D).