본 논문은 흐름 기반 생성 모델의 생성 경로 분석을 통해 샘플 생성의 어려움과 특성을 이해하고자 한다. 특히, 고전 역학의 영감을 받아 제안된 운동 경로 에너지(KPE)를 사용하여 생성 경로의 운동적 노력을 정량화한다. CIFAR-10 및 ImageNet-256 데이터셋에 대한 실험을 통해, 높은 KPE가 높은 의미 품질을 예측하고 데이터 밀도와 반비례 관계를 갖는다는 것을 발견했다. 이러한 결과는 의미적으로 풍부한 샘플이 데이터 분포의 희소 영역에 위치하며, 더 많은 생성 노력을 필요로 함을 시사한다.
