본 논문은 생체 분자의 장시간 동역학 시뮬레이션이라는 계산 과학 분야의 중대한 과제를 다룬다. 향상된 샘플링 기법은 시뮬레이션 속도를 높일 수 있지만, 종종 식별하기 어려운 사전 정의된 집합 변수에 의존한다. LD-FPG라는 최근의 생성 모델은 기준 구조로부터 모든 원자 변형으로 정적 평형 앙상블을 샘플링하는 방법을 학습하여 이 문제를 우회할 수 있음을 보여주었고, 모든 원자 앙상블 생성을 위한 강력한 방법을 확립했다. 그러나 이 접근 방식은 시스템의 가능성 있는 형태를 성공적으로 포착하지만, 형태 간의 시간적 진화는 모델링하지 않는다. 본 연구는 학습된 잠재 공간 내에서 작동하는 시간 전파자를 LD-FPG에 추가하고, (i) 점수 기반 Langevin 동역학, (ii) Koopman 기반 선형 연산자, (iii) 자기 회귀 신경망의 세 가지 방법을 비교한다. 통합된 인코더-전파자-디코더 프레임워크 내에서 장기 안정성, 백본 및 측쇄 앙상블 충실도, 기능적 자유 에너지 지형을 평가한다. 자기 회귀 신경망이 가장 견고한 장기 롤아웃을 제공하며, 점수 기반 Langevin은 점수가 잘 학습될 때 측쇄 열역학을 가장 잘 복원하고, Koopman은 해석 가능하고 가벼운 기준선을 제공하여 변동을 감쇠시키는 경향이 있다. 이러한 결과는 전파자 간의 상충 관계를 명확히 하고, 모든 원자 단백질 동역학의 잠재 공간 시뮬레이터에 대한 실용적인 지침을 제공한다.
