In de ontwikkeling van kunstmatige intelligentie vormen wereldmodellen een cruciale bouwsteen voor modelgebaseerde planning. Deze systemen maken gebruik van geleerde latente dynamiek om toekomstige scenario's intern te simuleren, een proces dat bekendstaat als 'imagined rollouts'. Een aanhoudende uitdaging is echter de instabiliteit van deze simulaties, vooral wanneer de planningstermijn toeneemt of wanneer de dynamiek van de omgeving verschuift.
Om dit probleem op te lossen, hebben Haoyun Tang en een team van collega-onderzoekers HaM-World ontwikkeld. Dit nieuwe systeem combineert een geschiedenisgeconditioneerd selectief geheugen met een specifieke wiskundige benadering, genaamd de 'Soft-Hamiltonian' latente dynamiek-prior. Volgens de technische documentatie op arxiv.org wordt de latente staat in dit model verdeeld over twee verschillende ruimtes: een context subspace (c) en een canonieke (q,p) subspace.
De canonieke subspace is gebaseerd op een Hamiltonian vectorveld dat is afgeleid van energie, aangevuld met leerbare residuen en controle-dynamiek. De context subspace is specifiek ontworpen om niet-conservatieve factoren, zoals semantische en dissipatieve elementen, te representeren. Om eerdere acties en observaties efficiënt samen te vatten, integreert het model Mamba selectieve state-space memory. Dit geheugen fungeert als basis voor de latente transitie, wat essentieel is voor het schatten van beloningen, waarde-estimaties en de uiteindelijke planning via de cross-entropy methode.
De prestaties van HaM-World zijn uitvoerig getest binnen de DeepMind Control Suite over zes verschillende taken. De resultaten tonen aan dat het model zeer competitief is; het behaalde de eerste plaats in vier van de zes taken en de tweede plek in de overige twee. In een kernset van vier taken behaalde het systeem een gemiddelde AUC van 117,9, wat een stijging van 9,5% betekent ten opzichte van het TD-MPC2 model. De precisie van de simulaties is eveneens verbeterd, waarbij de fouten in de 'imagined rollouts' werden teruggebracht tot 45% van een sterke baseline bij korte tot medium planningstermijnen. De onderzoekers merken in de wel op dat de foutmarge bij zeer lange open-loop horizonnen sneller toeneemt, waardoor uniforme stabiliteit over extreem lange termijnen niet wordt geclaimd.
Naast algemene prestaties is de robuustheid van het model tegen externe verstoringen onderzocht. Er werden twaalf verschillende 'out-of-distribution' perturbaties getest, waaronder het maskeren van observaties, vertragingen in acties en verschuivingen in de dynamiek. Uit de data op blijkt dat HaM-World in elke geteste conditie de hoogste absolute return behaalde. Concrete voorbeelden hiervan zijn een winst van 13,6% bij de taak 'Reacher Easy' en 10,2% bij 'Finger Spin'.
Uit aanvullende ablatie-studies is gebleken dat het selectieve geheugen de grootste bijdrage levert aan de prestatiewinst, terwijl de Soft-Hamiltonian geometrie zorgde voor kleinere, maar consistente verbeteringen. Hoewel dit specifieke onderzoek zich richt op technische AI-architecturen, volgen wereldwijde trends in technologie en wetenschap vaak via kanalen zoals apnews.com.
Het werk van Haoyun Tang, Haodong Cui, Keyao Xu, Zhandong Mei en Kun Wang is geaccepteerd voor een posterpresentatie op de NeurIPS 2026 conferentie. De meest recente versie van het onderzoek werd op 25 september 2026 bijgewerkt.