기계론적 해석 가능성 (Mechanistic interpretability)은 신경망 행동에 대한 회로 수준의 인과적 분석을 생성하지만, 발견된 회로들은 종종 고립된 실험적 인공물로 남습니다. 즉, 회로가 무엇을 계산하는지, 회로들이 서로 어떻게 연관되는지, 또는 두 가지 발견이 동일한 메커니즘에 대한 증거를 제공하는 시점이 언제인지에 대한 공유된 공식적 표현 (formal representation)이 존재하지 않습니다. 본 연구는 회로 해석을 귀납적 이론 구축 (inductive theory construction)으로 취급함으로써 누적적인 기계론적 과학을 위한 공식적인 인프라를 제공합니다. 각 회로는 두 가지 수준에서 특징지어집니다: 인과적 귀속 (causal attribution) 증거와 토큰 역할 프로필 (token role profiles)에 구성 요소의 행동을 근거로 하는 인과적 기능 시그니처 (Causal Functional Signature, CFS), 그리고 스케일 불변 구조적 술어 (scale-invariant structural predicates)로부터 귀납적 논리 프로그래밍 (Inductive Logic Programming, ILP)을 통해 학습된 아키텍처 시그니처 $τ_{\mathrm{arch}}$입니다. 이들은 함께 기계론적 주장을 명시적으로 만들고, $θ$-포함 ($\theta$-subsumption)을 통해 비교 가능하게 하며, 모델 스케일 전반에 걸쳐 이식 가능하게 만드는 공식적인 일관성 계층 (formal coherence layer)을 구성합니다. CFS는 어텐션 매개 복사 (attention-mediated copying) 대 MLP 매개 결합 (MLP-mediated binding)을 포함하여, 작업 유형에 따라 질적으로 구별되는 계산 전략을 드러냅니다. ILP 시그니처는 그래프 커널 (graph kernel) 및 특징 벡터 (feature-vector) 베이스라인보다 실질적으로 더 나은 구조적 분리를 달성하며, 모델 스케일 및 아키텍처 제품군 전반에 걸친 원칙적인 전이를 지원합니다.