Physikalisch informierte neuronale Netze (PINNs) beziehen die Maxwell-Gleichungen, Anfangsbedingungen, Randbedingungen und Messdaten direkt in den Lernprozess ein und wandeln die Lösung partieller Differentialgleichungen in ein Optimierungsproblem mit Nebenbedingungen um. Daher finden PINNs in der computergestützten Elektromagnetik als Alternative zu herkömmlichen Zeitbereichs-Lösern zunehmend Beachtung. In diesem Beitrag wird eine PINN-Formulierung für die Maxwell-Gleichungen im Zeitbereich vorgestellt, die Split-Field-Perfectly-Matched-Layers (PMLs) einbezieht. Ein wesentlicher Vorteil der Split-Field-PML-Formulierung besteht darin, dass sowohl im physikalischen als auch im PML-Bereich dieselben Leitgleichungen angewendet werden können, was die PINN-Formulierung und die Verlustkonstruktion vereinfacht. Der vorgeschlagene Ansatz wird anhand eindimensionaler und zweidimensionaler Gauß-Impuls-Probleme mit PML validiert. Die PINN-Lösungen zeigen eine gute Übereinstimmung mit analytischen und FDTD-Referenzlösungen (Finite-Differenzen-Zeitbereichsmethode), was die Machbarkeit der Kombination von PINNs mit Split-Field-PMLs für elektromagnetische Zeitbereichssimulationen im offenen Bereich belegt.