우리는 벽면 경계 난류 유동 (wall-bounded turbulent flows)에서의 항력 (drag)을 줄이기 위해 다중 에이전트 심층 강화학습 (Multi-Agent Deep Reinforcement Learning, MARL)과 설명 가능한 심층 학습 (eXplainable Deep Learning, XDL)을 결합한 방법을 제안합니다. 벽면 전단 응력 (wall-shear stress)과 대항 제어 (opposition control)를 직접 목표로 하는 에이전트 학습 결과를 베이스라인 (baseline)으로 삼아, 세 가지 SHAP 가이드 접근 방식을 비교합니다. 첫 번째 방식은 미래 속도장 (velocity field)을 예측하는 U-net의 SHAP 기여도 (SHAP attributions)로부터 보상 (reward)을 계산합니다. 두 번째 방식은 마찰 계수 (skin-friction coefficient)를 예측하는 U-net의 SHAP 기여도로부터 계산하며, 세 번째 방식은 각각 마찰 계수와 벽면 압력 변동 (wall pressure fluctuations)을 예측하는 두 개의 U-net의 SHAP 기여도를 결합하여 계산합니다. 마찰 계수와 벽면 압력 변동에 기반한 결합 SHAP 전략은 가장 우수한 종합 성능을 달성하였으며, 단 0.43%의 정규화된 입력 전력 (normalized input power)으로 34.44%의 항력 감소 (DR)와 34.01%의 순 에너지 절감 (NES)을 달성했습니다. 대항 제어와 비교했을 때, 항력 감소와 순 에너지 절감은 각각 49.41%와 48.52% 증가했습니다. 직접적인 벽면 전단 응력 베이스라인과 비교하여, 제안된 전략은 정규화된 구동 비용 (normalized actuation cost)을 5.90%에서 0.43%로 줄이는 동시에 성능을 개선했습니다. 결과 분석에 따르면, 에너지 효율적인 정책은 압력 게이트 구동 (pressure-gated actuation)과 일치하며, 주로 벽면 압력이 0에 가까울 때 활성화되고, 벽면 근처 난류 구조 (near-wall turbulent structures)의 수명과 유사한 시간적 척도 (temporal timescale)에서 작동함을 보여줍니다.