본 논문은 기후 변화 완화를 위해 토양 탄소 순환을 이해하는 것이 중요함을 강조하며, 기존의 수리적 과정 기반 모델의 한계(알 수 없는 매개변수, 관측치와의 부정확한 적합)와 신경망의 한계(과학적 법칙 무시, 블랙박스 특성)를 지적합니다. 이에 본 논문에서는 해석 가능한 신경망과 과정 기반 추론을 결합한 새로운 프레임워크인 ScIReN(Scientifically-Interpretable Reasoning Network)을 제안합니다. ScIReN은 해석 가능한 인코더(Kolmogorov-Arnold Networks 사용)를 통해 과학적으로 의미 있는 잠재 매개변수를 예측하고, 이를 미분 가능한 과정 기반 디코더에 전달하여 출력 변수를 예측합니다. 새로운 부드러움 페널티와 하드 시그모이드 제약층을 사용하여 과학적 사전 지식을 반영하고, 예측 정확도와 해석 가능성을 향상시켰습니다. 토양 유기 탄소 흐름 시뮬레이션과 식물 생태계 호흡 모델링 두 가지 작업에 ScIReN을 적용하여 블랙박스 신경망보다 높은 예측 정확도와 과학적 해석 가능성을 보였습니다. 잠재적인 과학적 메커니즘과 입력 특징 간의 관계를 추론할 수 있음을 보여줍니다.
