Este estudio describe brevemente el concepto de entrenamiento guiado de redes neuronales profundas (DNNs) para aprender soluciones físicamente razonables. El método propuesto no necesita los gradientes de las ecuaciones físicas, aunque los modelos convencionales informados por la física sí los necesitan. Las DNNs se utilizan ampliamente para predecir fenómenos en física y mecánica. Uno de los problemas con las DNNs es que su salida no siempre satisface las ecuaciones físicas. Un enfoque a considerar con ecuaciones físicas es agregar un residual de las ecuaciones en la función de pérdida; esto se llama red neuronal informada por la física (PINN). Una característica de las PINNs es que las ecuaciones físicas y los residuos correspondientes deben implementarse como parte de un modelo de red neuronal. Además, el residual no siempre converge a un valor pequeño. El modelo propuesto es una red generativa adversarial guiada por la física (PG-GAN) que utiliza una arquitectura GAN, en la que se utilizan ecuaciones físicas para juzgar si la salida de la red neuronal es consistente con la física. El método propuesto se aplicó a un problema simple para evaluar su usabilidad potencial.