استخدام المعرفة الفيزيائية الموصوفة بواسطة المعادلات التفاضلية الجزئية (PDEs) يُعدّ طريقًا واعدًا لتحسين طرق التنبؤ بالفيديو غير المُعلَّم. وبما أن الفيزياء تكون محدودة جدًا في وصف المحتوى البصري الكامل للفيديوهات العامة، نقدّم نموذج PhyDNet، وهو بنية عميقة مزدوجة الفرع، تُفصل صراحة ديناميكيات المعادلات التفاضلية الجزئية عن المعلومات المُكملة غير المعروفة. كما نقدّم مساهمة ثانية من خلال اقتراح خلية فيزيائية متكررة جديدة (PhyCell)، مستوحاة من تقنيات تجميع البيانات، للقيام بالتنبؤ المُقيّد بمعادلات PDE في الفضاء المُخفي. أظهرت التجارب الواسعة التي أُجريت على أربع مجموعات بيانات مختلفة قدرة PhyDNet على التفوق على أحدث الطرق المُتقدمة. كما أبرزت دراسات الإزالة (Ablation studies) الفائدة الكبيرة التي تُحقّقها كل من فصل الديناميكيات وتنبؤ PDE المُقيّد. وأخيرًا، نُظهر أن PhyDNet يتمتع بخصائص متميزة في التعامل مع البيانات المفقودة والتنبؤ طويل المدى.