Zespół badaczy testował hipotezę, że holonomia - geometryczna właściwość opisująca rotacje przy transporcie równoległy w sieci neuronowej - jest wyższa na aktywnych płaszczyznach sparse autoencoderów (SAE) w modelu Gemma 2 2B. Pomiary przeprowadzono na wyjściu między warstwą 12 a 13 residual stream, używając transportu z ograniczoną macierzą Jacobiego. Wyniki wykazały jednak odwrotną tendencję: aktywne płaszczyzny cech zawierały mniej holonomii niż grupy kontrolne, z dostosowanym kontrastem logarytmicznym -0.29439 i przedziałem 95% od -0.43989 do -0.14889.
Kluczową cechą tego badania jest pełna prerejestacja - projektanci zamrozili design, próg materialności, analizę i reguły werdyktu przed przystąpieniem do analizy pomiarów. Podejście to znacznie zmniejsza ryzyko p-hackingu i overfittingu, które są powszechne w badaniach ML. Autorzy ostrzegają jednak, że to nie jest twierdzenie przyczynowe - wynik pokazuje, że znaczenie nie tłumi holonomii, ale przyczyna pozostaje otwarta. Dalsze badania wskazują na transportowe zniekształcenia jako potencjalny mechanizm lub zmienną zakłócającą.
Praca ma znaczenie dla interpretowności modeli neuronowych i rozumienia geometrii cech uczonych przez sieci. Prerejestacja bardziej przyciąga uwagę na metodę niż na spektakularne odkrycia, co jest cenne dla rzetelności nauki o AI.