Un nouveau système de mémoire pour les agents autonomes adresse la « malédiction de la dimensionalité » en appliquant l'Analyse en Composantes Indépendantes (ICA) pour réduire les données à cinq composantes, puis en compressant les dimensions sur la base de la variance de la mémoire à court terme afin d'encourager la variété comportementale.
Les épisodes sont stockés dans une base de données vectorielle FAISS à l'aide d'embeddings encodeurs SONAR et subissent une consolidation et une généralisation à chaque exécution. L'ICA identifie des composantes indépendantes suivant une distribution normale, avec des tests montrant que la réduction des données à trois dimensions produit des champs interprétables pour l'activité, la hiérarchie et les états sociaux. Le système calcule les différences de composantes dans la mémoire à court terme ; une faible variance déclenche la compression de la dimension correspondante de la base de données vectorielle, rendant plus probable que la récupération par distance de Manhattan produise des épisodes couvrant le spectre complet de cette composante.
Les tests démontrent que ce mécanisme modifie dynamiquement le comportement de l'agent, tel qu'un passage du travail sur le terrain à la fusion ou une priorité donnée à l'achèvement des tâches lorsque les composantes d'anxiété augmentent, piloté par des dimensions compressées plutôt que par une initialisation explicite.