Naukowcy identyfikują problem zwanego fizycznym lenistwem reprezentacji w modelach latentnych świata, który pogarsza się szczególnie w środowiskach o wysokiej dynamice. W przeciwieństwie do klasycznego załamania reprezentacji, model uczy się reprezentacji, które się nie kolapują, lecz jednocześnie nie oddają kluczowych właściwości fizycznych, co prowadzi do niepowodzeń w planowaniu.
Proponowanym rozwiązaniem jest lekkiej glowica pomocnicza oparta na transformacie Fouriera, którą dodaje się podczas trenowania. Ta auxiliarna głowica egzekwuje fizycznie świadomą strukturyzację przestrzeni latentnej bez żadnego dodatkowego kosztu podczas inferencji i może być zastosowana do dowolnego środowiska. Eksperymenty pokazują, że metoda znacząco zwiększa wskaźnik sukcesu planowania w dynamicznych warunkach, gdzie bazowy LeWorldModel wykazuje fizyczne leniwstwo reprezentacji.
Badania ujawniają też wyższą korelację między przestrzenią latentną a kluczowymi właściwościami fizycznymi, co potwierdza zdolność metody do strukturyzacji reprezentacji zgodnej z fizyką. Podejście jest istotne dla rozwoju world models, które są kluczowe dla agentów autonomicznych planujących działania w przestrzeni latentnej zamiast bezpośrednio na pikselach.