실제 세계의 복잡한 시스템의 진정한 정보 구조를 밝혀내기 위해서는, 시스템의 구성 요소들이 시간이 지남에 따라 정보를 어떻게 고유하게 저장하고, 중복하여 공유하며, 시너지 효과를 내며 통합하는지를 분리하여 파악해야 합니다. 통합 정보 분해 ($\Phi$ID, Integrated Information Decomposition)는 다변량 시스템의 정보 역학을 중복적(redundant), 고유적(unique), 시너지적(synergistic)인 정보 저장, 전달 및 통합 모드를 특징짓는 16개의 겹치지 않는 원자(atoms)로 분해하기 위한 프레임워크입니다. 기존의 $\Phi$ID 계산 방법들은 가우시안(Gaussian) 또는 이산(discrete) 시스템으로 제한되어 있어, 연속적인 비가우시안(non-Gaussian) 동적 시스템에 적용하는 데 한계가 있었습니다. 우리는 DIPHINE (Diffusion-based $\Phi$-ID Neural Estimator)을 제안함으로써 이러한 한계를 해결합니다. 이는 스코어 기반 확산 모델(score-based diffusion models)을 활용하여 단일 분할 네트워크(amortized network)로부터 $\Phi$ID에 필요한 모든 상호 정보량(mutual information) 항들을 공동으로 추정하고, 뫼비우스 반전(Möbius inversion)을 통해 16개의 원자를 복원하는 최초의 신경 추정기입니다. 우리는 반전 과정을 통한 오차 전파에 대한 이론적 분석을 제공하며, 상호 정보량에서 원자로의 매핑에 대한 자코비안(Jacobian)이 정수 값을 가지며, 시너지-대-시너지(synergy-to-synergy) 원자가 증명 가능한 수준에서 가장 추정하기 어렵다는 것을 보여줍니다. 우리는 합성 벤치마크에서 정답 원자(ground-truth atoms)를 정확하게 복원함을 입증하였고, 기존의 상호 정보량 추정기들과 비교하여 우수한 성능을 보였으며, 어떠한 분포 가정 없이도 실제 데이터를 포함하는 응용 분야에서 생리학적으로 해석 가능한 정보 역학 구조를 추출할 수 있는 능력을 입증했습니다.