우리는 새로운 약형(weak-form) 물리 정보 신경망 (Physics-Informed Neural Network, PINN) 접근 방식(INI-VPINN이라 명명)을 제안합니다. INI-VPINN은 변분 공식(variational formulation)에 Neumann 경계 조건과 인터페이스 조건을 자연스럽게 통합합니다. 이는 추가적인 손실 항(loss terms)이나 다중 서브도메인 네트워크(subdomain networks)의 필요성을 제거합니다. 이 프레임워크는 컴팩트 서포트 가중 함수(compact support weighting functions)와 부분 적분(integration by parts)을 사용하여 플럭스(flux) 및 연속성 제약 조건을 암시적으로 부과합니다. 이러한 방식으로, 재료 경계 전반에 걸쳐 물리적 일관성을 암시적으로 보장합니다. 제안된 방법은 급격한 인터페이스와 복잡한 기하학적 구조를 가진 Poisson 및 Laplace 문제에 대해 테스트되었습니다. 결과에 따르면, 다른 여러 물리 정보 신경망 기반 공식들과 비교했을 때, INI-VPINN은 일관되게 더 높은 정확도와 더 부드럽고 빠른 수렴을 달성합니다. 제안된 프레임워크는 신경망을 사용하여 복잡한 기하학적 구조와 혼합 Neumann-Dirichlet 경계 조건을 가진 다중 재료 문제를 해결하기 위한 일반적인 접근 방식을 제공합니다. 구현 코드는 GitHub 저장소에 공개되어 있습니다.