基于机器学习的复杂流动建模正在成为描述多相流体系统的一种有前途的方法。这项工作展示了一个基于物理信息的神经网络如何在没有复杂算法的情况下促进传统控制方程和高级界面演化方程的结合。我们为二维不混溶不可压缩两相流的相场法(PF-PINN)开发了基于物理信息的神经网络。将Cahn–Hillard方程和Navier–Stokes方程直接编码到全连接神经网络的残差中。与传统的界面捕获方法相比,相场模型基于金兹堡–朗道理论,并且守恒质量和能量,具有坚实的物理基础。它在大密度比的两相流中也表现良好。然而,Cahn–Hilliard方程的高阶微分非线性项对获得数值解提出了很大的挑战。因此,在这项工作中,我们采用神经网络来解决这一挑战,通过求解高阶导数项并自适应捕获接口。为了提高PF-PINN的准确性和效率,我们使用了时间推进策略以及密度和粘度的强制约束。通过两个案例对PF-PINN进行测试,以展示PINN的界面捕获能力,并评估PF-PINNs在大密度比(高达1000)下的准确性。这两种情况下的界面形状与参考结果吻合良好,并且精确地捕捉到了第二种情况的动态行为。为了验证目的,我们还量化了质心和速度随时间的变化。结果表明,PF-PINN在不牺牲相场法高精度的情况下利用了自动微分。