본 논문은 심층 학습(DL)의 예측 성능과 시스템 다이내믹스(SD)의 해석 가능성을 결합한 새로운 프레임워크를 제안합니다. DL은 복잡한 모델 학습과 정확한 예측에는 뛰어나지만 해석성과 인과적 신뢰성이 부족하고, SD는 해석성과 인과적 통찰력을 제공하지만 확장성이 부족하고 전문 지식이 필요하다는 한계를 지닙니다. 이를 극복하기 위해 개념 기반 해석성, 기계적 해석성, 인과 기계 학습을 통합한 신경 시스템 다이내믹스 파이프라인을 제시하며, EU 자율 다중 모달 교통 시스템 프로젝트인 AutoMoTIF를 통해 실제 응용 분야에서 그 효과를 검증할 예정입니다. 궁극적인 목표는 자율 시스템의 설명 가능성과 안전성 향상에 기여하는 것입니다.
