本研究は、ジャンプ不連続性を持つ係数の部分微分方程式（PDE）におけるパラメータ同定のための新たな計算フレームワークを提案します。このフレームワークは、物理情報に基づく深層学習とベイズ推論を統合し、高次元性や非線形性、不連続なパラメータ空間による課題を克服することを目指しています。主に、主ネットワークがPDEの解を近似し、サブネットワークが係数をサンプリングするデュアルネットワークアーキテクチャを採用し、勾配適応型の重み付け戦略を用いています。マルコフ的動力学を利用して隠れた状態遷移を捉え、混合構造の効果的な同定を行います。数値実験では、提案手法が従来の方法に比べて優れた適応性と精度を持つことが示され、特に非定常または非一様なシステムにおける重要な成果を示しています。