درون‌یابی بردارهای سرعت GPS به میدان‌های پیوسته، از چالش‌های مهم در ژئودزی و ژئوفیزیک محسوب می‌شود. روش‌های مرسوم، مانند توابع گرین الاستیک که توسط Sandwell and Wessel (2016) ارائه شد، با محدودیت‌هایی در مدل‌سازی پدیده‌های پیچیده و در نظرگیری عدم قطعیت داده‌ها روبرو هستند. این مقاله، کاربرد شبکه‌های عصبی آگاه از فیزیک را به عنوان جایگزینی قدرتمند برای این روش‌های کلاسیک مورد بررسی قرار می‌دهد. در این پژوهش، یک مدل PINN پیاده‌سازی شده که معادلات حاکم الاستیسیته را مستقیماً در تابع هزینه شبکه عصبی ادغام می‌کند. این مدل بر روی داده‌هایGPS شامل 89 ایستگاه در منطقه زمین‌ساختی البرز آموزش داده شد. نتایج نشان می‌دهد که مدل پیشنهادی با خطای RMSE حدود 0.68 و 0.99 میلی‌متر بر سال به ترتیب برای مؤلفه‌های شرقی و شمالی، قادر به بازتولید میدان سرعت با دقت قابل قبول است. این روش مزایای متعددی از جمله انعطاف‌پذیری بالا در مدل‌سازی فیزیک پیچیده، قابلیت تلفیق انواع داده‌ها و در نظرگیری خودکار عدم قطعیت‌های مشاهداتی را ارائه می‌نماید. اگرچه زمان محاسباتی این روش در مقایسه با روش‌های کلاسیک بیشتر است، اما توانایی ذاتی آن برای غلبه بر محدودیت‌های روش‌های سنتی، آن را به گزینه‌ای امیدوارکننده برای نسل آینده ابزارهای پردازش داده‌های ژئودینامیکی تبدیل می‌کند.