2nd/10_Wiki/Topic_Programming/AI_and_ML/Mechanistic Interpretability (기계적 해석 가능성).md

id, title, category, status, canonical_id, aliases, duplicate_of, source_trust_level, confidence_score, verification_status, tags, raw_sources, last_reinforced, github_commit, tech_stack

id	title	category	status	canonical_id	aliases	duplicate_of	source_trust_level	confidence_score	verification_status	tags	raw_sources	last_reinforced	github_commit	tech_stack
wiki-2026-0508-mechanistic-interpretability-기계적	Mechanistic Interpretability (기계적 해석 가능성)	10_Wiki/Topics	verified	self	Mech Interp Circuit Analysis MI 기계적 해석성	none	A	0.9	applied	ai interpretability alignment anthropic transformer safety	Anthropic Transformer Circuits Towards Monosemanticity Scaling Monosemanticity	2026-05-10	pending	language framework python transformer-lens-sae-lens

Mechanistic Interpretability (기계적 해석 가능성)

매 한 줄

"매 뉴런을 회로로 읽는다". 모델 내부를 black-box 통계가 아니라 명시적 알고리즘(회로/feature)으로 reverse-engineer 하는 분야. Anthropic의 SAE/circuit 연구가 주축.

매 핵심

매 핵심 개념

• Circuit: 특정 행동을 구현하는 attention head + MLP 신경 sub-graph.
• Feature: 활성화 공간의 의미 단위 (한 방향 벡터).
• Polysemanticity: 한 뉴런이 여러 개념 인코딩 → superposition.
• SAE (Sparse Autoencoder): superposition을 풀어 monosemantic feature 추출.
• Probing / Logit Lens / Activation Patching: 진단 도구.

매 핵심 발견

1. Induction heads (2022) - in-context learning 구현 회로.
2. IOI circuit (2022) - Indirect Object Identification.
3. Toy Models of Superposition (2022) - feature가 압축되는 이유.
4. Towards Monosemanticity (2023) - SAE로 feature 추출 가능.
5. Scaling Monosemanticity (2024) - Claude 3 Sonnet에 SAE 적용, "Golden Gate Bridge feature" 등.
6. Circuit Tracing / Attribution Graphs (2025) - feature 간 인과 추적.

💻 패턴

Pattern 1 — TransformerLens (회로 분석)

import transformer_lens as tl
model = tl.HookedTransformer.from_pretrained('gpt2-small')
logits, cache = model.run_with_cache("The capital of France is")
# cache['blocks.5.attn.hook_pattern'] - attention 패턴 검사

Pattern 2 — Activation Patching

def patch_hook(act, hook):
    act[:, pos] = clean_cache[hook.name][:, pos]
    return act
patched = model.run_with_hooks(corrupted, fwd_hooks=[(name, patch_hook)])
# 어느 위치/layer가 차이를 만드는지 인과 측정

Pattern 3 — Logit Lens

for layer in range(model.cfg.n_layers):
    resid = cache[f'blocks.{layer}.hook_resid_post']
    logits = model.unembed(model.ln_final(resid))
    print(layer, model.to_str_tokens(logits.argmax(-1)[0, -1]))

Pattern 4 — Sparse Autoencoder

import torch.nn as nn
class SAE(nn.Module):
    def __init__(self, d_model, d_sae):
        super().__init__()
        self.W_enc = nn.Linear(d_model, d_sae)
        self.W_dec = nn.Linear(d_sae, d_model, bias=False)
    def forward(self, x):
        f = torch.relu(self.W_enc(x))  # sparse activations
        return self.W_dec(f), f
# Loss = recon + λ·||f||_1

Pattern 5 — Feature Attribution (sae-lens)

from sae_lens import SAE
sae = SAE.from_pretrained('gpt2-small-res-jb', 'blocks.8.hook_resid_pre')
features = sae.encode(activations)
top_features = features.topk(10, dim=-1)

Pattern 6 — Causal Steering

# Golden Gate Claude 식: feature 활성화 강제
def steer(act, hook, feature_idx, scale):
    act += scale * sae.W_dec[feature_idx]
    return act

매 결정 기준

목표	도구
작은 모델 회로 발견	TransformerLens + activation patching
Feature 추출 (큰 모델)	SAE (sae-lens, dictionary_learning)
행동 인과성 검증	Activation patching, ablation
Feature 간 관계	Attribution graphs / circuit tracing
안전 alignment	Steering vectors, refusal feature
Production 배포	아직 일러 — 연구 단계

기본값: 2026 기준 SAE + circuit tracing이 메인 파라다임.

🔗 Graph

• 부모: AI_Safety_and_Alignment
• 변형: Sparse-Autoencoder, Circuit-Analysis, Activation-Patching
• 응용: AI Safety
• Adjacent: Transformer_Architecture_and_LLM_Foundations

🤖 LLM 활용

언제:

• 논문 요약 (Anthropic transformer-circuits.pub).
• TransformerLens / sae-lens 코드 작성.
• 가설 생성 (어떤 회로가 행동 X를 만드는가?).

언제 X:

• 새로운 mech interp 발견 주장 (실험 필수).
• 특정 feature ID의 의미 단정 (모델별 다름).

❌ 안티패턴

• Single neuron = single concept 가정 (superposition 무시).
• Probing 정확도 = 회로 존재 (correlational, 인과 X).
• Attention 시각화만으로 결론 (MLP가 더 큰 역할 종종).
• SAE feature = ground truth 가정 (해석은 hypothesis).
• Toy model 결론을 frontier model에 무비판 외삽.

🧪 검증 / 중복

• Verified. Anthropic 2024-2025 SAE 결과 기준. 신뢰도 A.

🕓 Changelog

날짜	변경
2026-05-08	Phase 1
2026-05-10	Manual cleanup