본 연구는 신경망 행동의 회로 수준에서 인과적 분석을 수행하는 기계적 해석 가능성을 다룹니다. 회로 해석을 귀납적 이론 구축으로 취급하여 누적적 기계적 과학을 위한 공식적인 인프라를 제공합니다. 각 회로는 인과적 귀속 증거와 토큰 역할 프로필을 기반으로 하는 인과적 기능 시그니처(CFS)와 규모 불변 구조적 술어에서 ILP(귀납 논리 프로그래밍)로 학습된 아키텍처 시그니처 $τ_{ ext{arch}}$의 두 가지 수준으로 특징지어집니다.
태스크 유형에 따라 주의 메커니즘 기반 복사에서 MLP 기반 결합과 같은 질적으로 구별되는 계산 전략을 밝힙니다. ILP 시그니처는 그래프 커널 및 특징 벡터 기준선보다 구조적 분리를 개선하고 모델 규모 및 아키텍처 패밀리 간의 원리 있는 전송을 지원합니다.
본 연구는 기계적 주장을 명확하게 하고, $θ$-포괄을 통해 비교 가능하게 하며, 모델 규모에 따라 이식할 수 있도록 하는 공식적인 일관성 계층을 구성합니다.