保险准备金估计是支撑保费定价、偿付能力评估、财务报告、资本规划和风险管理的核心精算任务。传统基于Thiele微分方程的准备金方法提供了严格且可解释的寿险估值框架，但在灵敏度分析、优化和大规模情景评估中需要重复求解，计算成本高。本文提出一个面向定期寿险准备金建模的智能平台，将经典Thiele求解器与物理信息神经网络（PINN）结合，并通过知识信息神经网络（KINN）损失强化。平台包括合成保单生成、风险调整保费计算、经典准备金轨迹生成、准备金比例数据集构建、可配置神经网络训练、验证诊断、灵敏度与弹性分析、原型优化工作流以及利率情景测试。关键改进在于使用保费比例并显式区分定价时点和情景时点的利率语义。最终模型使用七个特征：已过时间、签发年龄、定价利率、情景利率、保费比例、保额和死亡强度。模型预测标准化的准备金比例而非原始准备金值，提高了跨保额政策的数值稳定性。测试集R²为0.9887，MAE为785.48，RMSE为1212.76。对200份保单的推理速度约比经典求解器快119.53倍。结果显示预测精度高、物理一致性好、边界表现稳健，但在单调性和分布外泛化方面仍有局限。
点评：平台成功将物理约束融入深度学习，实现了高效且可解释的准备金预测，为保险业的大规模情景分析提供了可行路径。