Применение обучения с подкреплением (RL) к сложным физическим системам сталкивается с проблемами длительного времени обучения из-за высоких вычислительных затрат на моделирование. Обучение с переносом может сократить время обучения, используя модели, обученные на похожих задачах. Модели сниженного порядка (ROMs) создают более быстрые и упрощенные среды для обучения RL, сохраняя точность. ROMs могут быть созданы различными методами, включая подходы неконтролируемого обучения из.data-driven science. Динамические системы развиваются во времени и описываются векторами состояния и их производными. Реальные физические системы часто проявляют нелинейность, что затрудняет их характеристику. Эти системы часто не имеют решаемых управляющих уравнений, требуя упрощений, которые ограничивают их полезность. Динамика турбореактивного двигателя служит примером задачи, где связанные уравнения должны решаться итеративно, а не напрямую.