Cet article se concentre sur l'étude de l'interprétabilité mécaniste des modèles de rétro-ingénierie pour expliquer leur comportement. Contrairement aux études précédentes qui se concentraient sur les mécanismes statiques de comportements spécifiques, cet article explore la dynamique d'apprentissage au sein du modèle. À cette fin, nous proposons le « circuit-tuning », une méthode de réglage fin interprétable qui analyse le mécanisme d'apprentissage. Nous introduisons le concept de dimension intrinsèque au niveau des nœuds pour expliquer le processus d'apprentissage dans le graphe de calcul du modèle. L'algorithme en deux étapes, le circuit-tuning, construit itérativement un sous-graphe minimal pour une tâche spécifique et met à jour les paramètres clés de manière heuristique. Les résultats expérimentaux confirment l'existence de la dimension intrinsèque au niveau des nœuds et démontrent l'efficacité de notre méthode pour un réglage fin transparent et interprétable. Nous visualisons et analysons les circuits avant, pendant et après le réglage fin afin d'apporter de nouvelles perspectives sur le mécanisme d'auto-organisation des réseaux de neurones.
