시계열 모델(Time-series models)은 흔히 무엇을 예측하거나 분류할 수 있는지에 따라 평가되지만, 이러한 점수들은 모델의 표현(representations)이 사용자가 검사하고자 할 수 있는 프로세스 상태(process state), 즉 이벤트 타이밍(event timing), 위상(phase), 진폭(amplitude), 주파수(frequency) 또는 레짐 변수(regime variables)를 보존하고 있는지 여부를 보여주지 않습니다. 우리는 고정된 시계열 표현(frozen time-series representations) 내의 잠재 상태 접근성(latent-state accessibility)을 디버깅하기 위한 생성기 기반 진단 도구인 Aionoscope를 소개합니다. Aionoscope는 프로세스 생성(process generation)과 관측 렌더링(observation rendering)을 분리하여, 혼합 복잡도(mixture complexity)와 방해 변동(nuisance variation) 전반에 걸쳐 정확한 범주형(categorical) 및 밀집형(dense) 레이블을 가진 시드 기반의 합성 스트림(seeded synthetic streams)을 생성합니다. 우리는 Aionoscope를 원시 프로세스 혼합(Primitive Process Mixtures)으로 구현하였으며, 공통 풀링 선형 프로브(common pooled linear-probe) 프로토콜을 통해 37개의 모델-어댑터(model-plus-adapter) 시스템을 평가했습니다. 주요 결과는 거친(coarse) 접근성과 미세한(fine-grained) 접근성 사이의 불일치입니다. 대부분의 시스템은 구성 요소의 존재(component presence)를 복구하는 것은 쉽게 수행하지만, 밀집된 프로세스 상태(dense process state)를 노출하는 것은 훨씬 덜 신뢰할 수 있습니다. 관찰된 가장 높은 밀집 프로브(dense-probe) 행은 평균 마스크 $R^2$ (mean masked $R^2$) 0.689에 도달한 반면, 밀집 특징 오라클(dense-feature oracle)은 0.999에 도달했습니다. 이것이 바로 Aionoscope가 드러내도록 설계된 실패 모드(failure mode)입니다. 즉, 표현(representation)이 "어떤 종류의 신호가 존재하는가"라는 수준에서는 유익해 보일 수 있지만, 디버깅에 필요한 타이밍(timing), 위상(phase), 진폭(amplitude), 주파수(frequency) 또는 레짐 변수(regime variables)는 숨기고 있을 수 있다는 것입니다.