Resumen: La integración del aprendizaje profundo (DL) en el modelado de la dinámica del sistema (SD) para la logística de transporte ofrece ventajas significativas en escalabilidad y precisión predictiva. Sin embargo, estas ganancias a menudo se compensan con la pérdida de explicabilidad y confiabilidad causal $-$ requisitos clave en sistemas críticos de toma de decisiones. Este artículo presenta un marco novedoso para el modelado de dinámica del sistema neural interpretable por diseño que sinergia DL con técnicas de interpretabilidad basada en conceptos, interpretabilidad mecanicista y aprendizaje automático causal. El enfoque híbrido propuesto permite la construcción de modelos de redes neuronales que operan en variables semánticamente significativas y procesables, al tiempo que conservan la base causal y la transparencia típica de los modelos SD tradicionales. El marco se concibe para aplicarse a los estudios de casos del mundo real del Automotif del proyecto financiado por la UE, centrándose en el soporte de decisiones basado en datos, la automatización y la optimización de terminales logísticos multimodales. Nuestro objetivo es mostrar cómo los métodos neuro-simbólicos pueden cerrar la brecha entre los modelos predictivos de la caja negra y la necesidad de un apoyo crítico de decisiones en entornos dinámicos complejos dentro de los sistemas ciberfísicos habilitados por las cosas industriales de las cosas.
Publicado Originalme en export.arxiv.org El 9 de septiembre de 2025.
Ver Fuente Original
