뇌 기능 이해는 신경과학의 근본적인 목표이며, 치료적 중재 및 신경 공학 응용 분야에 중요한 영향을 미친다. 계산 모델링은 이러한 이해를 가속화하는 정량적 프레임워크를 제공하지만, 계산 효율성과 고충실도 모델링 사이의 근본적인 트레이드오프에 직면한다. 이 한계를 해결하기 위해 본 논문에서는 에너지 기반 변압기를 사용하여 잠재 공간에서 시간적 역학을 학습하는 새로운 에너지 기반 자기회귀 생성 (EAG) 프레임워크를 소개한다. EAG는 엄격하게 적절한 점수 규칙을 통해 학습하며, 실제적인 개체군 및 단일 뉴런 스파이킹 통계로 효율적인 생성을 가능하게 한다. 합성 Lorenz 데이터 세트와 두 개의 Neural Latents Benchmark 데이터 세트 (MC_Maze 및 Area2_bump)에 대한 평가 결과, EAG가 특히 확산 기반 방법보다 상당한 계산 효율성 향상과 함께 최첨단 생성 품질을 달성함을 보여준다. 최적의 성능 외에도, 조건부 생성 응용 프로그램은 보이지 않는 행동 맥락으로 일반화하고 합성 신경 데이터를 사용하여 운동 뇌-컴퓨터 인터페이스 디코딩 정확도를 향상시키는 두 가지 기능을 보여준다.
