Ushbu maqolada matematik modellashtirish masalalarini yechishda neyron tarmoqlardan foydalanishning nazariy va amaliy imkoniyatlari tahlil qilingan. Klassik sonli usullar, ma’lumotlarga asoslangan neyron tarmoqlar hamda fizik qonunlar bilan cheklangan Physics-Informed Neural Networks (PINN) yondashuvi o‘zaro qiyoslangan. Tadqiqot doirasida matematik modelni formalizatsiya qilish, kirish-chiqish parametrlarini aniqlash, ma’lumotlarni tayyorlash, neyron tarmoq arxitekturasini tanlash, yo‘qotish funksiyasini shakllantirish, o‘qitish, validatsiya va natijalarni interpretatsiya qilishdan iborat texnologik ketma-ketlik taklif etilgan. Amaliy tekshiruv sifatida logistik differensial model PINN yordamida yechilib, natija analitik yechim va Eyler usuli bilan taqqoslangan. Hisoblash tajribasida PINN yechimining RMSE qiymati 0.00268, MAE qiymati 0.00213 va MAPE qiymati 0.0034 foizni tashkil etdi. Natijalar neyron
tarmoqlar murakkab, chiziqsiz va ma’lumot-fizika integratsiyasini talab qiluvchi modellashtirish
masalalarida istiqbolli hisoblash vositasi ekanligini ko‘rsatadi.