Sistem memori baru untuk agen otonom mengatasi "kutukan dimensionalitas" dengan menerapkan Analisis Komponen Independen (ICA) untuk mengurangi data menjadi lima komponen, lalu mengompresi dimensi berdasarkan varians memori jangka pendek guna mendorong variasi perilaku.
Episode disimpan dalam basis data vektor FAISS menggunakan embedding encoder SONAR dan mengalami konsolidasi serta generalisasi pada setiap pelaksanaan. ICA mengidentifikasi komponen yang terdistribusi normal dan independen, dengan pengujian menunjukkan bahwa mengurangi data menjadi tiga dimensi menghasilkan bidang yang dapat diinterpretasikan untuk aktivitas, hierarki, dan keadaan sosial. Sistem menghitung perbedaan komponen dalam memori jangka pendek; varians rendah memicu kompresi dimensi basis data vektor yang sesuai, sehingga pengambilan berdasarkan jarak Manhattan lebih mungkin menghasilkan episode yang mencakup seluruh spektrum komponen tersebut.
Pengujian menunjukkan bahwa mekanisme ini mengubah perilaku agen secara dinamis, seperti beralih dari pekerjaan lapangan ke pencairan atau memprioritaskan penyelesaian tugas ketika komponen kecemasan meningkat, didorong oleh dimensi yang terkompresi daripada inisialisasi eksplisit.