Zespół badaczy opracował framework do uczenia wzmacniającego oparty na wewnętrznej motywacji exploracyjnej, który pozwala agentom efektywnie odkrywać otoczenie nawet bez wyraźnych sygnałów nagrody. Podejście łączy tradycyjne nagrody zewnętrzne z epistemicznym mechanizmem motywacji - całym systemem, który sprzyja uporządkowanemu eksploracyjnemu postępowaniu. Hipoteza autorów brzmi, że optymalną eksplorację uzyskuje się przy pośrednim poziomie niekoherentności dynamiki, podczas gdy zarówno zbyt sztywne, jak i zbyt chaotyczne zachowanie systemu prowadzi do gorszych rezultatów.
Implementacja opiera się na Liquid State Machine - sieci neuronowej inspirowanej biologią, pozwalającej na dynamiczną adaptację. Testy przeprowadzono na dwóch popularnych benchmarkach: dyskretnym LunarLanderv2 (lądowanie lądownika księżycowego) i ciągłym BipedalWalkerv3 (chód dwunożnego robota). Metoda wypadła konkurencyjnie wobec ugruntowanych algorytmów takich jak Proximal Policy Optimization i Intrinsic Curiosity Module.
Co interesujące, fenomen "curiosity window" - optymalnego okna eksploracji - nie pojawił się w agentach wykorzystujących active inference, co sugeruje, że zaproponowana dynamika otwiera nowy reżim exploracyjny. Wynik ten może mieć znaczenie dla rozwoju bardziej autonomicznych systemów AI, zdolnych do samodzielnego uczenia się w zmiennych i nieinformacyjnych środowiskach.