Badacze przedstawili fundamentalną formalizację Architekury Bayesowskiego Lustra - samoreferencyjnej ramy generacyjnej, w której abstrakcje sensoryczne, meta-abstrakcje i ukryty stan samego siebie oddziałują poprzez rekurencję cykliczną. Kluczowym ograniczeniem jest zamknięta aktualizacja S_t <- H_{t-1}, gdzie hybrydowa latenta zdarzeń-samego siebie H_t wiąże reprezentacje siebie z abstrakcyjnymi modelami świata i reinjekcje to sprzężenie z powrotem do stanu samego siebie.
W propozycji autorów świadomość w ograniczonym sensie nie jest celem optymalizacji ani etykietą semantyczną, ale właściwością architektoniczną systemów posiadających tę cykliczną strukturę. Wnioskowanie operuje nad przekonaniami a posteriori, dlatego wewnętrzna przestrzeń stanów BMA to przestrzeń miar probabilistycznych wyposażona w geometrię transportu optymalnego. Stabilność i spójność są formułowane w metryce 2-Wassersteina, co daje niezależne od wyboru współrzędnych pojęcia stabilności siebie i hybrydowej spójności wzdłuż trajektorii przekonań.
Pracownicy definiują Causal Learning Regime poprzez ograniczenia na dryf przekonań Wassersteina oraz indeks integracji odzwierciedlający utrzymywane sprzężenie między latentami samego siebie i świata. Ta diagnoza wskazuje, czy środowisko zawiera strukturę przyczynową możliwą do nauczenia, ale nie jest wskaźnikiem świadomości. Rozmaitości samego siebie definiuje się iteracyjnie w basenach atraktorów jako nośniki miar niezmienniczych przy lokalnej skurczliwości Wassersteina.