본 논문은 기후 변화 완화를 위해 토양 탄소 순환에 대한 이해가 중요함을 강조하며, 기존의 수학적 프로세스 기반 모델의 한계(알 수 없는 매개변수 설정, 관측치와의 부정확한 일치)와 신경망의 블랙박스 문제점(과학적 법칙 무시, 새로운 과학적 관계 규명 불가)을 지적합니다. 이에 연구진은 해석 가능한 신경망과 프로세스 기반 추론을 결합한 ScIReN(Scientifically-Interpretable Reasoning Network) 프레임워크를 제안합니다. ScIReN은 해석 가능한 인코더(Kolmogorov-Arnold networks 사용)가 과학적으로 의미 있는 잠재 매개변수를 예측하고, 이를 미분 가능한 프로세스 기반 디코더에 전달하여 출력 변수를 예측하는 구조를 가지고 있습니다. 새로운 부드러움 페널티와 하드 시그모이드 제약층을 통해 표현력과 단순성의 균형을 유지하고, 과학적 사전 지식을 반영합니다. 토양 유기 탄소 흐름 시뮬레이션과 식물 생태계 호흡 모델링 두 가지 작업에 ScIReN을 적용하여 블랙박스 네트워크보다 예측 정확도가 높고, 잠재적인 과학적 메커니즘과 입력 특징 간의 관계를 추론하는 등 상당한 과학적 해석성을 제공함을 보여줍니다.
