本研究では、非線形偏微分方程式（PDE）を解くためのフレームワークを提案します。これは、摂動理論を物理インフォームドニューラルネットワーク（PINN）のワンショット転移学習と結合したものです。多項式項を含む非線形PDEを一連の線形部分問題に分解し、マルチヘッドPINNを用いて効率的に解決します。線形演算子の潜在表現を学習した後、異なる摂動や境界条件を持つ新しいPDEの解を再トレーニングなしで閉じた形式で得ることができます。KPP-Fisher方程式や波動方程式の例において、誤差を1e-3のオーダーに抑え、0.2秒未満で新しい問題に適応できることを示しました。この方法は、古典的なソルバーと同等の精度を持ちつつ、より迅速な転送を実現しています。加えて、感度分析により摂動の影響を明確にし、方法の効果的な範囲を示しました。