Menerapkan Reinforcement Learning (RL) pada sistem fisik yang kompleks menghadapi tantangan dengan waktu pelatihan yang lama karena biaya simulasi komputasional yang tinggi. Transfer learning dapat mengurangi waktu pelatihan dengan memanfaatkan model yang dilatih pada masalah serupa. Model Orde Tereduksi (ROMs) menciptakan lingkungan yang lebih cepat dan disederhanakan untuk pelatihan RL sambil mempertahankan akurasi.

ROMs dapat dihasilkan melalui berbagai metode, termasuk pendekatan unsupervised learning dari ilmu berbasis data. Sistem dinamis berevolusi seiring waktu dan dijelaskan oleh vektor status dan turunannya. Sistem fisik dunia nyata sering menunjukkan non-linearitas, membuatnya sulit untuk dikarakterisasi.

Sistem-sistem ini sering kali tidak memiliki persamaan pengendali yang dapat diselesaikan, memerlukan penyederhanaan yang membatasi kegunaannya. Dinamika mesin turbojet berfungsi sebagai masalah contoh di mana persamaan yang terkopel harus diselesaikan secara iteratif, bukan langsung.