从电路证据到机制理论：一种归纳逻辑方法

机制可解释性产生了神经网络行为的电路水平因果分析，但发现的电路往往仍是孤立的实验制品：没有共享的形式表示来描述电路计算的内容、它们之间的关系，或两个发现是否为同一机制提供证据。本工作通过将电路解释视为归纳理论构建，为可累积的机制科学提供形式化基础。每个电路在两个层面上进行特征化：Causal Functional Signature (CFS)，将组件行为 grounded 在因果归因证据和 token 角色轮廓上；以及由归纳逻辑程序 (ILP) 从尺度不变结构谓词学习的建筑签名 $\tau_{\mathrm{arch}}$。这些构成一个使机制论点显式、通过 $\theta$-吞噬进行比较，并跨模型规模可移植的形式一致性层。CFS 揭示了不同任务类型中 qualitatively 不同的计算策略，包括注意力介导的复制 versus MLP 介导的绑定。ILP 签名在结构分离方面优于图核和特征向量基线，并支持跨模型规模和建筑族系的原则性迁移。