Badacze zaproponowali formalny framework do kompilacji gier z formatu VGDL (Video Game Description Language) w Dynamic Structural Causal Models, czyli dynamiczne strukturalne modele przyczynowe. Problem, który rozwiązują, dotyczy tego, że standardowe agenty uczenia wzmacniającego opierają się na odruchach skorelowanych ale nieprzyczynowych, a duże modele języka tendencyjnie hallucynują reguły gry.
Zamiast wnioskować struktury przyczynowe z danych rozgrywki lub niedokładnych wyników LLM, metoda bezpośrednio tłumaczy komponenty gry - dynamikę sprite'ów, reguły interakcji, warunki końcowe - na jawne równania strukturalne. Każdy tick gry reprezentuje przejście przyczynowe od zmiennych stanu w czasie t do t+1. To gwarantuje absolutną wierność wobec rzeczywistej mechaniki gry i eliminuje guessing.
Ramework ma istotne implikacje dla causal reinforcement learning - agenty mogą uczyć się z pełnym zrozumieniem przyczynowych związków, co poprawia interpretabilność i generalizację. Model umożliwia także transparentne rozumowanie kontrfaktyczne (co by się stało, gdyby...) oraz walidację proceduralnie generowanej zawartości. To stanowi mostek między symbolicznym opisem gry a przyczynowo ugruntowanym AI dla gier.