यह शोधपत्र रिवर्स इंजीनियरिंग मॉडल के व्यवहार को समझाने के लिए उनकी यांत्रिक व्याख्या के अध्ययन पर केंद्रित है। पिछले अध्ययनों के विपरीत जो विशिष्ट व्यवहारों के स्थिर तंत्रों पर केंद्रित थे, यह शोधपत्र मॉडल के अंदर सीखने की गतिशीलता का पता लगाता है। इस उद्देश्य के लिए, हम 'सर्किट-ट्यूनिंग' का प्रस्ताव करते हैं, जो एक व्याख्यात्मक फ़ाइन-ट्यूनिंग विधि है जो सीखने के तंत्र का विश्लेषण करती है। हम मॉडल के कम्प्यूटेशनल ग्राफ़ में सीखने की प्रक्रिया को समझाने के लिए नोड-लेवल आंतरिक आयाम की अवधारणा पेश करते हैं, और एक दो-चरणीय एल्गोरिथ्म, सर्किट-ट्यूनिंग, एक विशिष्ट कार्य के लिए एक न्यूनतम सबग्राफ़ बनाता है और प्रमुख मापदंडों को अद्यतन करता है। प्रायोगिक परिणाम नोड-लेवल आंतरिक आयाम के अस्तित्व की पुष्टि करते हैं और पारदर्शी और व्याख्यात्मक फ़ाइन-ट्यूनिंग के लिए हमारी विधि की प्रभावशीलता को प्रदर्शित करते हैं। हम तंत्रिका नेटवर्क के स्व-संगठन तंत्र में नई अंतर्दृष्टि प्रदान करने के लिए फ़ाइन-ट्यूनिंग से पहले, उसके दौरान और बाद में सर्किट को विज़ुअलाइज़ और विश्लेषित करते हैं।