O aprendizado de máquina vem sendo usado cada vez mais em diferentes áreas de aplicação. Recentemente, as redes neurais vêm sendo adaptadas para realizar predições sobre soluções de equações diferenciais que representam fenômenos físicos. As redes neurais guiadas pela Física (PINNs), vêm revolucionando o uso de métodos numéricos na solução dessas equações por meio de modelos preditivos de redes neurais profundas. Apesar da complexidade de configuração e geração do modelo, uma vez treinado, o mesmo pode ser usado como um substitutivo do cálculo dos métodos numéricos, mostrando um ganho significativo em relação ao tempo de solução das equações. A incorporação da Física no treinamento desses modelos se dá por meio da modelagem e incorporação de componentes específicos na função de perda da rede neural. Tais componentes aumentam a complexidade na definição e análise das configurações de treinamento de modelos. Considerando a falta de apoio à análise comparativa da qualidade dos resultados dos modelos treinados, propomos a coleta e o uso de dados de proveniência, voltados à análise de modelos de PINNs. Analisamos a coleta de dados em ambiente computacional de alto desempenho, usando diferentes plataformas de treinamento de modelos de redes neurais, incluindo uma específica para PINNs. Experimentos com problemas de solução de equações diferencias parciais foram realizados evidenciando as contribuições desse registro específico de proveniência.