การฝึกฝนปัญญาประดิษฐ์ในระบบจำลองที่มีความสมจริงสูง (High-fidelity) มักประสบปัญหาเรื่องภาระการคำนวณที่มหาศาลและใช้เวลานาน งานวิจัยนี้จึงนำเสนอ Neural Reduced Dynamics (NRD) ซึ่งเป็นแนวคิดการเรียนรู้ 'การย่อส่วนที่เหมาะสม' (Right Abstraction) โดยการคัดเลือกเฉพาะสถานะทางฟิสิกส์ที่จำเป็นต่อการควบคุมมาสร้างเป็นโมเดลพลศาสตร์แบบ Neural Network
หัวใจของ NRD คือการแยกแยะสถานะที่โมเดลต้องส่งต่อ (Propagate) ออกจากข้อมูลที่สามารถคำนวณได้ทางคณิตศาสตร์หรือรับเข้ามาเป็นอินพุต ระบบนี้ทำให้สามารถฝึกนโยบายการควบคุม (Policy) ภายในโมเดลย่อส่วนที่ 'แช่แข็ง' (Frozen) ไว้ได้ทั้งหมด ก่อนจะนำกลับไปตรวจสอบความถูกต้องในระบบจำลองความละเอียดสูงอีกครั้ง
ผลการทดสอบพบว่า NRD สามารถทำงานได้เร็วกว่าระบบจำลองดั้งเดิมถึง 4 อันดับขั้น (ประมาณ 10,000 เท่า) ในการทดสอบกับยานพาหนะขับเคลื่อนล้อสายพาน (HMMWV) บนสภาพภูมิประเทศที่ซับซ้อนและพื้นผิวที่เปลี่ยนแปลงรูปได้ และในการควบคุมแขนกลหุ่นยนต์ ผลลัพธ์แสดงให้เห็นว่านโยบายที่ฝึกจาก NRD สามารถโอนย้ายกลับไปยังโลกจำลองความละเอียดสูงได้อย่างสมบูรณ์ โดยมีความผิดพลาดในการติดตามเป้าหมายต่ำกว่าวิธีการแบบเดิมอย่างชัดเจน
