본 논문은 주어진 정규화되지 않은 밀도에서 샘플링을 목표로 하는 학습 기반 확산 샘플러에 대한 연구를 제시합니다. 기존의 접근 방식들이 비정보적 참조 프로세스를 사용하여 샘플링 작업을 확률적 최적 제어(SOC) 문제로 공식화하여 목표 분포로의 효율적인 궤적 안내를 제한하는 점을 지적합니다. 이를 해결하기 위해, 본 연구는 비정상 기저 SDE로 어닐링된 참조 역학을 사용하는 새로운 SOC 기반 확산 프레임워크인 비평형 어닐링 부가 샘플러(NAAS)를 제안합니다. NAAS는 어닐링 구조를 통해 목표 분포로의 자연스러운 진행을 제공하고 유익한 참조 궤적을 생성하여 제어 학습의 안정성과 효율성을 향상시킵니다. SOC 공식을 활용하여 다양한 SOC 솔버를 통합할 수 있어 알고리즘 설계에 높은 유연성을 제공합니다. 부가 일치에서 영감을 얻은 효율적이고 확장 가능한 훈련을 가능하게 하는 린 부가 시스템을 구현의 예시로 사용합니다. NAAS는 고전적인 에너지 랜드스케이프 및 분자 볼츠만 분포에서 샘플링을 포함한 다양한 작업에서 그 효과를 입증합니다.
