في عالم الذكاء الاصطناعي، يُعتبر فهم كيفية توجيه نماذج العالم (World Models) لتحديد المعلومات التي تحتاج للاحتفاظ بها من الأمور الحيوية. في دراسة جديدة، يتم تسليط الضوء على أهمية التعلم من التمثيل الطيفي (Spectral Representation Learning) من خلال نموذج SpecWM، الذي يمثّل إطار JEPA (Joint Embedding Predictive Architecture).

كيف يعمل SpecWM؟ يتيح هذا النموذج للمستخدم وضع علاقات مرغوبة بين الملاحظات عبر نواة التشابه المستهدفة، حيث يتعلم المكونات الأساسية لإعادة إنتاج تلك العلاقات في الهندسة التمثيلية الخاصة بها. تتنوع الأنوية ما بين معلومات الحالة الفيزيائية إلى نواة زمنية ذاتية الإشراف تتطلب فقط ترتيب الملاحظات ضمن المسارات.

يتميز البحث بتقديم نظرة جادة حول الأمثل العالمية لهذا الهدف، حيث يتم تحديد شروط الاسترداد الخطي والثبات أمام المعلومات غير المهمة. وتربط الدراسة بين تشابه النواة الزمنية وقياس السلوك اللاحق ضمن إطار مثالي.

أثبتت النتائج التجريبية أن اختيار النواة بشكل دقيق يلعب دورًا حاسمًا في تحديد الكميات الفيزيائية التي يمكن استردادها من التمثيل. ومن الأهم أن محاذاة الطيف الزمني حسنت نجاح التخطيط باستخدام نموذج CEM بنسبة مثيرة، حيث ارتفعت النسبة من 52% إلى 68% على OGBench Cube، ومن 49% إلى 77% على OGBench Scene، ومن 29% إلى 51% على CALVIN.

تشير هذه النتائج إلى أن تحديد هندسة التمثيل بشكل صريح يعد وسيلة بسيطة للتوجيه حول ما تحتفظ به نماذج العالم الخفية من معلومات للتحكم.