현재의 조건화된 생성 모델은 학습 중 가이던스를 위해 score function에 크게 의존한다. 생성 모델이 특이 확산 계수를 갖는 확산 과정이고, 기저 (조건부) 밀도가 존재하지 않거나 매끄럽지 않을 때, 우리는 인과적 최적 수송(causal optimal transport)을 사용하여 최소한의 가정 하에서 가이던스를 위한 최소 엔트로피 제어를 식별하는 근사 손실 함수를 정의한다. 본 접근은 인과적 최적 수송과, 관련 마팅게일 문제가 well-posed인 (조건화된) 확산 과정의 예측 가능 표현 성질(predictable representation property)을 통한 특성화에 의존하며, 이는 Üstünel의 방식에 따른다.
위상 최적화(TO)는 반복적인 유한 요소 해석과 민감도 기반 재료 업데이트를 필요로 하는 경우가 많으며, 다양한 물리 및 설계 조건 하에서 여러 후보 설계가 필요할 때 비용이 많이 들 수 있다. 생성형 TO는 신속한 설계 탐험의 경로를 제공하지만, 기존 모델은 구조적 실현 가능성과 물리적 일관성을 유지하기 위해 적대적 학습, 긴 역 확산 샘pling, 또는 외부 가이던스에 의존할 수 있다. 본 연구는 조건부 위상 생성을 위한 플로우 매칭 기반 위상 최적화(FMTO) 프레임워크를 개발한다. 선형 FMTO는 먼저 가우시안 소스 필드와 BESO 기준 위상 사이를 보간하여 종점 기반 기준선으로 공식화한다. 기계적으로 의미 있는 중간 상태를 도입하기 위해, 체적 분율로 인덱싱된 BESO 상태를 사용하여 확률 경로와 목표 속도 필드를 구성하는 궤적 인식 FMTO 공식화를 제안한다. 이는 추론 시점의 최적화를 추가하지 않고 물리 가이드 최적화 이력을 생성형 플로우 학습에 통합한다. 경로-속도 불일치 분석을 통해 중간 정도의 궤적 가중치가 생성 안정성을 개선할 수 있는 이유를 설명하며, 과도한 가이던스는 학습된 수송을 과도하게 제약할 수 있음을 보여준다. 수치 예제는 FMTO가 확산 기반 기준선보다 훨씬 적은 샘pling 단계로 다양한 위상 후보를 생성하며, 컴플라이언스 관련 성능, 체적 분율 충족, 위상 충실도가 개선됨을 보여준다. 학습 데이터가 제한된 상황에서 궤적 인식 FMTO는 중간 정도의 궤적 가중치로 최고의 전반적 성능을 달성한다. 궤적 앵커 밀도 및 3차원 위상 생성에 대한 연구는 경로 설계의 영향과 2차원 문제를 넘어선 제안 프레임워크의 적용 가능성을 추가로 입증한다.
Flow Matching(FM)이 복잡한 조건부 분포를 모델링할 수 있는 능력으로 인해, 로봇공학, 기상 예보 등 예측 과업에서 최신 기술(state-of-the-art)로 자리 잡았다. 그러나 안전이 중요한(safety-critical) 환경에서의 배포는 치명적인 외삽(extrapolation) 위험에 가로막힌다. 평활성 편향(smoothness biases)에 의해, 플로우 모델은 매니폴드 밖(off-manifold) 조건에 대해서도 그럴듯한 출력을 생성하여, 유효한 예측과 구별할 수 없는 침묵적 실패(silent failures)를 초래한다. 본 연구에서는 Diverging Flows를 제안한다. 이는 매니폴드 밖 입력에 대해 구조적으로 비효율적 수송(inefficient transport)을 강제함으로써, 단일 모델이 조건 생성과 내재적(native) 외삽 탐지를 동시에 수행할 수 있게 하는 새로운 접근법이다. 합성 매니폴드, 교차 도메인 스타일 전환, 기상 온도 예보에서 방법을 평가한 결과, 예측 충실도(predictive fidelity)나 추론 지연을 훼손하지 않으면서도 외삽을 효과적으로 탐지함을 보여준다. 이러한 결과는 Diverging Flows를 신뢰할 수 있는 플로우 모델을 위한 견고한 해법으로 확립하며, 의학, 로봇공학, 기후 과학 등 분야에서의 안정적인 배포를 위한 길을 연다.
본 논문은 프래그먼트 기반, 기하학 인식, 순서 비의존(order-agnostic) 자기회귀(autoregressive) 분자 설계 모델인 MolMiner를 제안한다. MolMiner는 부분 명세로부터 12가지 물리화학적·구조적 성질에 대한 고차원 조건부 제어를 지원하며, 대칭 인식(symmetry-aware) 프래그먼트 부착을 통해 분자를 구성하고, 각 생성 단계를 부분 구조의 힘장(force-field) 이완 3차원 기하에 조건화한다. 조건부 제어는 보조 속성 손실 없이도 나타난다. 타깃 속성 구간에서 조건화는 무조건 생성 대비 최대 5.25배, 학습 분포 자체 대비 3.5배까지 적중률(hit rate)을 높여 모델의 내재 편향을 덮어쓰며, 무조건 분포 충실도는 소폭 감소하는 비용이 따른다. MolMiner는 동적 기하, 대칭 처리, 순서 비의존 생성, 확장 가능한 다중 속성 조건화를 단일 프레임워크 안에서 통합한다.
연속 스칼라 조건부 생성 모델 CcGAN의 고정 크기 근방 학습이 레이블 불균형에 취약한 문제를 해결하기 위해, 적응적 근방(adaptive vicinity)과 다중 작업 판별자 기반 보조 정규화를 결합한 CcGAN-AVAR를 제안한다. 4개 데이터셋, 11가지 설정의 실험에서 CcGAN-AVAR는 높은 생성 품질과 레이블 일관성을 달성하면서 CCDM 대비 300~2000배 빠른 추론 속도를 실현했다.
조건부 생성 모델들을 밀도 함수 없이 샘플만으로 결합할 수 있는 최적 모델 평균화(model averaging) 프레임워크를 제안하며, 샘플 기반 최대 평균 불일치(MMD)를 기준으로 고정 가중치를 부여하는 StaticMA와 소프트맥스 신경망 게이트로 입력 적응형 가중치를 학습하는 전문가 혼합(MoE) 방식의 MoEMA를 개발한다. 표 형식, 이미지, 텍스트 등 다양한 모달리티 실험에서 MoEMA가 경쟁 기준선 대비 우수한 성능을 보였으며, 표본 내·외 점근적 최적성과 가중치 함수의 일치성에 대한 이론적 보장도 함께 제시한다.
본 연구는 2D 박편 이미지만을 학습 데이터로 사용하여 제어된 기공률을 가진 3D 다공성 매질 볼륨을 생성하는 조건부 생성적 적대 신경망(cGAN) 프레임워크를 제시한다. 핵심 혁신은 속성 조건부 생성과 2D-to-3D 재구성을 결합함으로써, 물리암석학적 속성에 대한 제어력을 유지하면서도 고비용의 3D 학습 데이터 필요성을 제거한다는 점에 있다. 이 프레임워크는 3D 생성자와 2D 판별자로 구성된 하이브리드 아키텍처를 채택하며, 다축 슬라이스 추출을 통해 2D 학습 데이터로부터 3D 일관성 있는 구조를 학습한다. 기공률 레이블은 개선된 U-Net 분할 모델을 사용하여 추출된다. 본 방법론은 돌로마이트-무수석고 및 순수 돌로마이트의 서로 다른 암상을 가진 두 탄산염 암석 샘플에 대해 검증되었다. 결과에 따르면 이 프레임워크는 무수석고 포유물 및 미세 결정질 조직과 같은 암상학적 특징을 포착하는 현실적인 3D 볼륨을 성공적으로 생성한다. 기공률 제어는 $R^2$ 0.93을 달성하였으며, 불균질 샘플과 균질 샘플에 대한 평균 절대 오차는 각각 0.019 및 0.010이었다.
불균일 촉매의 역설계는 촉매 표면이 방대한 화학 공간에 걸쳐 결합된 표면-흡착질 상호작용과 함께 상당한 구조적 복잡성을 나타내므로, 기존 스크리닝만으로는 이를 효율적으로 탐색하기 어렵기 때문에 여전히 어려운 과제로 남아 있습니다. 기계학습 기반 고처량 스크리닝(high-throughput screening)이 촉매 발견을 가속화했지만, 탐색 공간이 커짐에 따라 그 효율성은 필연적으로 저하되어, 목표 특성을 가진 촉매를 직접 구성할 수 있는 생성 모델(generative model) 개발의 필요성을 제기합니다. 이에 본 연구에서는 수치형 임베딩 층(embedding layer)을 갖춘 Generative Pretrained Transformer 아키텍처를 기반으로 하는 조건부 촉매 생성 모델을 제시합니다. 이 모델은 단일 자기회귀(autoregressive) 프레임워크 내에서 범주형 및 연속형 특성 모두에 조건을 부여하여 촉매 구조를 생성할 수 있습니다. 해당 모델은 1억 3,300만 개의 촉매 구조로 사전학습(pre-training)되었으며, 이후 조건부 생성을 위해 관련 범주형 특성과 결합 에너지가 포함된 약 46만 개의 최적화된 구조로 파인튜닝(fine-tuning)되었습니다. 이 결과 모델은 98%의 구조적 유효성, 95%의 최적화 유효성, 그리고 높은 범주형 조건 충실도를 달성했으며, 흡착질 유형과 조성에 대해 93%의 결합 일치율을 기록했습니다. 결합 에너지 조건화의 경우 약 20%의 일치율은 기준선(baseline) 학습 분포 대비 4배의 향상을 나타내며, 생성된 분포는 목표 값 쪽으로 체계적으로 이동하여 추가적인 파인튜닝 없이도 반응 목표 촉매 발견을 위한 스크리닝 효율성을 1.5배에서 4배까지 향상시킵니다. 이러한 결과는 대규모 자기회귀 사전학습과 명시적 특성 조건화의 결합이 제어 가능한 촉매 생성 및 촉매 발견 가속화를 위한 실용적인 경로를 제공함을 보여줍니다.