본 논문은 흐름 기반 생성 모델의 유연성을 높이기 위해 에너지 매칭(Energy Matching) 프레임워크를 제안합니다. 기존 흐름 기반 모델은 부분 관측치나 추가적인 사전 정보를 통합하는 데 어려움을 겪는 반면, 에너지 기반 모델(EBMs)은 스칼라 에너지 항을 추가하여 이를 효과적으로 처리합니다. 제안된 방법은 잡음 분포에서 데이터 분포로의 최적 수송 경로를 따라 샘플을 이동시키고, 데이터 다양체에 접근함에 따라 엔트로피 에너지 항을 사용하여 볼츠만 평형 분포로 안내합니다. 이러한 동역학은 시간에 무관한 단일 스칼라 필드로 매개변수화되며, 강력한 생성기이자 역 문제의 효과적인 규제를 위한 유연한 사전 정보 역할을 합니다. CIFAR-10 및 ImageNet 이미지 생성에서 기존 EBM보다 우수한 성능을 보이며, 데이터 다양체로부터 떨어진 곳에서도 시뮬레이션 없는 훈련을 유지합니다. 또한, 다양한 모드 탐색을 지원하는 상호 작용 에너지를 도입하여 단백질 생성 설정에서 성능을 입증합니다. 시간 조건, 보조 생성기 또는 추가 네트워크 없이 스칼라 퍼텐셜 에너지를 학습하는 간소화된 프레임워크를 제시하며, 이는 기존 EBM 방법과 크게 차별화되는 점입니다.
