본 논문은 흐름 기반 생성 모델의 한계를 극복하기 위해 에너지 매칭(Energy Matching)이라는 새로운 프레임워크를 제안합니다. 기존 흐름 기반 모델은 부분 관측값이나 추가적인 사전 정보를 통합하는 데 어려움을 겪는 반면, 에너지 기반 모델(EBM)은 스칼라 에너지 항을 추가하여 이를 효과적으로 처리합니다. 에너지 매칭은 흐름 기반 접근 방식에 EBM의 유연성을 부여하여, 데이터 다양체로부터 멀리 떨어진 샘플은 curl-free 최적 수송 경로를 따라 이동하고, 데이터 다양체에 가까워짐에 따라 엔트로피 에너지 항이 볼츠만 평형 분포로 안내하여 데이터의 기저 확률 구조를 명시적으로 포착합니다. 시간에 무관한 단일 스칼라 필드를 사용하여 이러한 동역학을 매개변수화하며, 이는 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 멀리 떨어진 곳에서 수송 기반 접근 방식의 시뮬레이션 없는 학습을 유지합니다. 또한, 다양한 모드 탐색을 지원하는 상호 작용 에너지를 도입하여 단백질 생성 설정에서 이를 시연합니다. 시간 조건, 보조 생성기 또는 추가 네트워크 없이 스칼라 퍼텐셜 에너지를 학습하는 데 중점을 두어 기존 EBM 방법과 크게 다릅니다.
