VSA-basierte Weltmodelle: Geometrische Priors steigern Generalisierung

In der KI- und Neurowissenschaftsforschung gilt es, zu verstehen, wie neuronale Systeme Repräsentationen lernen, die die zugrunde liegenden Dynamiken der Welt erfassen. Traditionelle Weltmodelle beschreiben die Übergangsfunktion mit unstrukturierten neuronalen Netzen, was die Interpretierbarkeit, die Daten­effizienz und die Generalisierung auf unbekannte Zustände oder Aktions­kombinationen einschränkt.

Die neue Arbeit präsentiert ein generalisierbares Weltmodell, das auf Prinzipien der Vector Symbolic Architecture (VSA) basiert und geometrische Priors nutzt. Durch lernbare Fourier‑Holographic Reduced Representation (FHRR) Encoder werden Zustände und Aktionen in einen hochdimensionalen komplexen Vektorraum mit erlernter Gruppens­truktur abgebildet. Die Übergänge werden anschließend mittels elementweiser komplexer Multiplikation modelliert. Die Autoren formalisierten die gruppentheoretische Grundlage des Ansatzes und zeigten, dass ein Training auf annähernde Invarianz starke mehrstufige Kompositionen im latenten Raum ermöglicht und die Generalisierung über verschiedene Experimente hinweg verbessert.

In einem diskreten Gitter‑Umfeld erzielte das Modell eine Zero‑Shot‑Genauigkeit von 87,5 % für unbekannte Zustand‑Aktions‑Paare, verbesserte die Genauigkeit bei 20‑Schritt‑Rollouts um 53,6 % und zeigte eine vierfach höhere Robustheit gegenüber Rauschen im Vergleich zu einem MLP‑Baseline. Diese Ergebnisse demonstrieren, dass die Erzeugung von latenter Gruppens­truktur zu generalisierbaren, daten­effizienten und interpretierbaren Weltmodellen führt und einen fundierten Weg für strukturierte Modelle in realen Planungs‑ und Entscheidungs­aufgaben eröffnet.