Negli ultimi anni, le tecniche di previsione che utilizzavano il machine learning sono aumentate esponenzialmente. Tuttavia, questi metodi si basano esclusivamente sui dati, anche quando molti processi fisici possono essere descritti tramite equazioni matematiche.Da Questa limitazione il lavoro propone l'impiego delle Physics-Informed Neural Networks (PINNs), un approccio innovativo che incorpora Equazioni Differenziali Ordinarie (ODEs) ed Equazioni Differenziali alle Derivate Parziali (PDEs) nella funzione di perdita delle reti neurali, con l’obiettivo di migliorare l'accuratezza delle previsioni. Questo studio si concentra sulla previsione meteorologica, cercando di migliorare le predizioni attraverso l’integrazione di equazioni differenziali che catturano relazioni fisiche tra i parametri o caratteristiche matematiche delle serie temporali.