Badacze sformułowali tomografię mechanistyczną jako ujednolconą strukturę matematyczną dla mierzenia efektów komponentów, interakcji i odpowiedzi modeli na interwencje. Zamiast używać osobnych technik interpretacyjności takich jak patching czy Hessian-vector products niezależnie, proponują wspólny model pomiaru w postaci y = Ax + w, gdzie A opisuje interwencje, x jest mapą docelową, a w zawiera odpowiedź nieliniową, błędy próbkowania i nieprecyzyjność bazy.
Walidacja tego podejścia odbywa się w wymagającym scenariuszu kontroli: gdy oszacowanie stanu wewnętrznego służy do sterowania systemem, błędy obserwacji bezpośrednio wpływają na wydajność. W eksperymentach z dwoma modelami HMM badacze pokazali, że błąd kontroli rośnie wraz z błędem obserwatora, a poprawa wydajności docelowej może maskować niepożądane ruchy stanów. Ważnym wynikiem jest to, że przy ograniczonym dostępie (forward-only) rzadkie pomiary agregatowe mogą odzyskać mapy efektów skończonych używając mniej interwencji niż tradycyjne patching współrzędnych.
Ta praca ma znaczenie dla praktycznego wdrażania interpretacyjności mechanistycznej w systemach wymagających niezawodnego sterowania. Zaproponowany algorytm iteracyjny - rozpoczynający się od najtańszych pomiarów, testujący na zastrzeżonych interwencjach i kalibrujący niedopasowania - oferuje praktyczną ścieżkę wdrożenia. W miarę pojawienia się ustrukturyzowanych błędów resztkowych można rozszerzyć rodzinę pomiarów, co czyni metodę elastyczną i skalowalna dla różnych architektur modeli.