Aplicar Aprendizado por Reforço (RL) a sistemas físicos complexos enfrenta desafios com longos tempos de treinamento devido aos altos custos computacionais de simulação. O aprendizado por transferência pode reduzir os tempos de treinamento aproveitando modelos treinados em problemas semelhantes. Modelos de Ordem Reduzida (ROMs) criam ambientes mais rápidos e simplificados para treinamento de RL enquanto mantêm a precisão.

ROMs podem ser gerados através de vários métodos, incluindo abordagens de aprendizado não supervisionado da ciência orientada a dados. Sistemas dinâmicos evoluem através do tempo e são descritos por vetores de estado e suas derivadas. Sistemas físicos do mundo real frequentemente exibem não-linearidade, tornando-os difíceis de caracterizar.

Esses sistemas frequentemente carecem de equações governantes solucionáveis, exigindo simplificações que limitam sua utilidade. A dinâmica de motores turbojet serve como problema de exemplo onde equações acopladas devem ser resolvidas iterativamente em vez de diretamente.