본 논문은 Wasserstein gradient flows의 최근 발전에 영감을 받아, 흐름 기반 접근 방식과 에너지 기반 모델(EBMs)의 유연성을 통합하는 새로운 프레임워크인 에너지 매칭(Energy Matching)을 제안합니다. 이 방법은 잡음을 데이터로 매핑하는 과정에서 데이터 다양체로부터 멀리 떨어진 샘플은 curl-free, 최적 수송 경로를 따라 이동하고, 데이터 다양체에 가까워짐에 따라 엔트로피 에너지 항이 시스템을 볼츠만 평형 분포로 안내하여 데이터의 기저 확률 구조를 명시적으로 포착합니다. 시간에 무관한 단일 스칼라 필드를 사용하여 이러한 동력을 매개변수화하며, 이는 강력한 생성기이자 역문제의 효과적인 규제를 위한 유연한 사전 확률로 기능합니다. CIFAR-10 생성에서 기존 EBM(FID 8.61)을 상당히 능가하는 성능(FID 3.97)을 보이며, 데이터 다양체로부터 멀리 떨어진 영역에서는 시뮬레이션이 필요 없는 수송 기반 접근 방식의 장점을 유지합니다. 또한, 다양한 모드 탐색을 위한 상호 작용 에너지를 도입하여 방법의 유연성을 활용합니다. 시간 조건, 보조 생성기 또는 추가 네트워크 없이 정적 스칼라 퍼텐셜 에너지를 학습하는 데 중점을 두어 최근 EBM 방법과는 상당히 다른 접근 방식을 취합니다. 이 간소화된 프레임워크는 EBM의 기능을 크게 향상시키고 다양한 영역에서 생성 모델링에 대한 광범위한 채택을 위한 길을 열 것으로 기대됩니다.
