機械論的解釈可能性（mechanistic interpretability）の分野では、ニューラルネットワークのコンポーネントが何をエンコードし、どのように相互作用するかを特徴付けるコンポーネントレベルの分析が多数蓄積されてきた。しかし、その出力は再利用が容易ではない。選択性テーブル、回路図、特徴リストは研究ごとのノートブックに閉じ込められ、組み合わせ不可能で、自然言語でクエリできず、下流の監査や介入に直接活用できない。本研究では、これらの分析と下流利用の間に位置する表現層を独立に評価可能なボトルネックとして捉え、「顕現ユニット（Manifestation Units）」を導入する。これは型付きタプルプロトコル（E、S、R、D、G）であり、Transformerアーキテクチャ向けに注意ヘッドプリミティブ（T）を拡張し、コンポーネントごとの統計を構造化フィールドに整理して自動的に填充し、ハイブリッド検索を通じてクエリ可能にする。
研究者らはこのプロトコルを生成的視覚（β-VAE）、判別的視覚（CNN）、言語（GPT-2）の3つでインスタンス化し、2つの主要な知見を得た。第一に、型付き構造は検索タスクにおいて非構造ベースラインを大幅に上回る。第二に、スキーマによって検索されたCNNフィルタは、予算を一致させた制御の下で因果的十分性と必要性の基準を満たす。さらに、このスキーマは注意ヘッドプリミティブを変更なしに吸収し、検索予算を一致させた制御の下で既知のIOI回路メンバーを集合的に回復し、不可約な2フィールドコア（S+R）を明らかにした。残りのフィールドは冗長であるか、積極的に干渉している。
著者らはこれをフロンティア規模の検証ではなく、機械論的解釈可能性のためのスキーマ基盤と位置づけている。論文は65ページにわたり、インタラクティブなデモも提供されている。このプロトコルは、解釈可能性分析の結果が断片化され再利用できないという問題を解決し、下流の監査や介入にクエリ可能で実用的な構造化表現を提供することを目指す。自動填充とハイブリッド検索により、研究者は既存のコンポーネント分析をより効率的に活用でき、機械論的解釈可能性研究の体系的な蓄積を促進する。