본 논문은 다양한 분야(분자 동역학, 생화학, 보행자 동역학 등)에 응용되는 N-body 시스템 시뮬레이션 문제를 다룬다. 기존의 딥 제너러티브 모델링 및 기하학적 딥러닝 기반 방법들은 복잡한 궤적 분포를 모델링하지만, 현실적인 궤적 생성을 위해서는 정보가 없는 노이즈로부터 시작하여 복잡한 변환을 학습해야 하고, 도메인 지식을 활용하지 못하는 한계가 있다. 본 논문에서는 이러한 한계를 해결하기 위해 STFlow를 제안한다. STFlow는 flow matching과 데이터 의존적 결합을 활용하여 모델의 표현력이나 확장성을 희생하지 않고 물리 정보 기반의 기하학적 궤적 시뮬레이션을 가능하게 한다. N-body 동역학 시스템, 분자 동역학, 보행자 동역학 벤치마크에서 평가한 결과, STFlow는 예측 오차를 크게 줄이고 더 효율적인 추론을 가능하게 함을 보여준다. 이는 확률적 기하학적 궤적 모델링에서 물리 정보 기반 사전 분포를 사용하는 것이 유리함을 강조한다.
