Um novo sistema de memória para agentes autônomos aborda a "maldição da dimensionalidade" aplicando Análise de Componentes Independentes (ICA) para reduzir os dados a cinco componentes, em seguida, comprimindo as dimensões com base na variância da memória de curto prazo para incentivar a variedade comportamental.
Os episódios são armazenados em um banco de dados vetorial FAISS usando embeddings do codificador SONAR e passam por consolidação e generalização em cada execução. O ICA identifica componentes independentes e normalmente distribuídos, com testes mostrando que reduzir os dados para três dimensões produz campos interpretáveis para atividade, hierarquia e estados sociais. O sistema calcula as diferenças entre componentes na memória de curto prazo; baixa variância aciona a compressão da dimensão correspondente do banco de dados vetorial, tornando mais provável que a recuperação por distância de Manhattan produza episódios que abrangam todo o espectro desse componente.
Os testes demonstram que esse mecanismo altera dinamicamente o comportamento do agente, como mudar de trabalho de campo para fundição ou priorizar a conclusão de tarefas quando os componentes de ansiedade aumentam, impulsionado por dimensões comprimidas em vez de inicialização explícita.