科学可解释推理网络(ScIReN)：发现碳循环及更广领域的隐藏关系

土壤通过从大气中固存碳具有减缓气候变化的潜力，但土壤碳循环仍知之甚少。科学家们基于现有知识开发了土壤碳循环的过程模型，但这些模型包含大量未知参数，且通常与观测数据拟合不佳。另一方面，神经网络可以从数据中学习模式，但不尊重已知的科学定律，并且过于不透明而无法揭示新的科学关系。因此，我们提出了科学可解释推理网络(ScIReN)，这是一个完全透明的框架，结合了可解释的神经网络和基于过程的推理。一个可解释的编码器预测具有科学意义的潜在参数，然后这些参数通过一个可微分的基于过程的解码器来预测标记的输出变量。基于过程的解码器强制执行现有的科学知识，而编码器利用Kolmogorov-Arnold网络(KAN)来揭示输入特征与潜在参数之间的可解释关系，使用新颖的平滑性惩罚来平衡表达性和简洁性。ScIReN还引入了一个新颖的硬Sigmoid约束层，将潜在参数限制在先验范围内，同时保持可解释性。我们将ScIReN应用于两个任务：模拟有机碳在土壤中的流动，以及模拟植物的生态系统呼吸。在这两个任务上，ScIReN在预测准确性上优于或媲美黑盒模型，同时极大地提高了科学可解释性——它可以推断潜在的科学生成机制及其与输入特征的关系。