🤖 machine learning

Generative Modeling with Flux Matching

यह शोध पत्र फ्लक्स मैचिंग (Flux Matching) का परिचय देता है, जो एक नवीन जनरेटिव मॉडलिंग प्रतिमान है जो कंजर्वेटिव वेक्टर फील्ड्स की आवश्यकता को शिथिल करके स्कोर-आधारित मॉडलों का सामान्यीकरण करता है, जिससे इंडक्टिव बायस (inductive biases) को शामिल करने में अधिक लचीलापन और तेज़ सैंपलिंग एवं व्याख्या योग्य डायनेमिक्स जैसे अनुप्रयोगों को सक्षम बनाया जा सके।

मूल लेखक: Peter Pao-Huang, Xiaojie Qiu, Stefano Ermon

प्रकाशित 2026-05-11

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Peter Pao-Huang, Xiaojie Qiu, Stefano Ermon

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक रोबोट को एक भीड़भाड़ वाले कमरे में एक विशिष्ट गंतव्य तक पहुँचने के लिए चलना सिखाने की कोशिश कर रहे हैं। AI जनरेटिव मॉडल्स की दुनिया में, "गंतव्य" एक वास्तविक छवि (जैसे कि एक चेहरा या कार) है, और "रोबोट" एक गणितीय इंजन है जो रैंडम शोर (noise) से एक छवि तक कदम-दर-कदम आगे बढ़ता है।

लंबे समय तक, इस रोबोट को सिखाने का मानक तरीका स्कोर मैचिंग (Score Matching) था। इसे ऐसे समझें कि आप रोबोट को एक एकल, सटीक मानचित्र दे रहे हैं: एक "ग्रेडिएंट" या ढलान जो हमेशा सबसे संभावित डेटा की ओर ऊपर की ओर इशारा करता है। यदि रोबोट इस ढलान का अनुसरण करता है, तो वह अंततः गंतव्य तक पहुँच जाता है। यह बहुत अच्छा काम करता है, लेकिन यह कठोर है। रोबोट को उस एक विशिष्ट पथ का पालन करना ही होगा। यदि पथ घुमावदार या धीमा है, तो उसे उसका पालन करना होगा, अन्यथा वह रास्ता भटक जाएगा।

फ्लक्स मैचिंग (Flux Matching) इस रोबोट को सिखाने का एक नया तरीका है। यह स्कोर मैचिंग के बजाय कहता है: "मुझे परवाह नहीं है कि तुम कौन सा रास्ता चुनते हो, जब तक कि तुम गंतव्य पर पहुँच जाते हो और वहाँ पहुँचने पर भीड़ का घनत्व (density) सही दिखता है।"

यह कैसे काम करता है, इसके विवरण के लिए सरल उपमाओं का उपयोग किया गया है:

1. नदी और नाव (मूल विचार)

एक नदी की कल्पना करें जो एक शांत झील (गंतव्य) की ओर बह रही है।

स्कोर मैचिंग ऐसा कहने जैसा है, "नाव को धारा के बिल्कुल केंद्र का पालन करना चाहिए।" यह नाव को एक विशिष्ट रेखा का पालन करने के लिए मजबूर करता है।
फ्लक्स मैचिंग यह महसूस करता है कि वास्तव में पानी के बहने के कई अलग-अलग तरीके हो सकते हैं जो सभी एक ही शांत झील की ओर ले जाते हैं। आपके पास एक तेज़ धारा, एक घूमता हुआ भंवर, या एक मंद बहाव हो सकता है। जब तक झील में बहने वाले पानी की मात्रा, झील से बाहर जाने वाले पानी की मात्रा के बराबर है (जिसे "फ्लक्स" कहा जाता है), झील शांत रहेगी।

फ्लक्स मैचिंग AI को इन सभी वैध धाराओं में से किसी भी एक को सीखने की शिक्षा देता है, न कि केवल उस एक "परफेक्ट" ढलान को। यह AI को भारी मात्रा में स्वतंत्रता देता है।

2. AI को स्वतंत्रता क्यों दी जाए? (लाभ)

चूंकि फ्लक्स मैचिंग AI को कई वैध पथों में से चुनने की अनुमति देता है, इसलिए शोधकर्ता अब उस पथ को "ट्यून" कर सकते हैं ताकि वे वे चीजें कर सकें जो पुराना तरीका नहीं कर सका:

तेज़ यात्रा (फास्ट सैंपलिंग): कभी-कभी "परफेक्ट" ढलान बहुत घुमावदार और धीमी होती है। फ्लक्स मैचिंग के साथ, AI एक "शॉर्टकट" धारा सीख सकता है जो रोबोट को कम चरणों में गंतव्य तक पहुँचा देती है। यह एक घुमावदार ग्रामीण सड़क के बजाय हाईवे खोजने जैसा है।
व्याख्या योग्य मानचित्र (RNA वेलोसिटी): जीव विज्ञान में, वैज्ञानिक न केवल यह जानना चाहते हैं कि एक कोशिका कैसी दिखती है, बल्कि यह भी कि वह कहाँ जा रही है (जैसे, क्या वह रक्त कोशिका में बदल रही है?)। पुराना तरीका केवल एक स्थिर मानचित्र देता था। फ्लक्स मैचिंग एक वेक्टर फील्ड सीख सकता है जो एक जैविक प्रवाह की तरह दिखता है, जो परिवर्तन की दिशा दिखाता है (जैसे हवा का नक्शा जो दिखाता है कि हवा किस दिशा में चल रही है), जिससे AI की "सोचने की प्रक्रिया" मनुष्यों के लिए समझना आसान हो जाता है।
नियमों का सम्मान (डायरेक्टेड डिपेंडेंसीज़): कल्पना कीजिए कि आप एक कहानी लिख रहे हैं जहाँ अंत शुरुआत पर निर्भर करता है, लेकिन शुरुआत अंत पर निर्भर नहीं होनी चाहिए। पुराना तरीका (स्कोर मैचिंग) एक "सममित" (symmetric) संबंध थोपता है (जैसे एक दर्पण), जो इस नियम को तोड़ देता है। फ्लक्स मैचिंग AI को अपने आर्किटेक्चर में एक "वन-वे स्ट्रीट" बनाने की अनुमति देता है, जिससे यह सुनिश्चित होता है कि कहानी भौतिकी के नियमों या कार्य-कारण संबंध (causality) को तोड़े बिना तार्किक रूप से शुरू से अंत तक प्रवाहित हो।

3. यह कैसे सीखता है? ("फ्लक्स" ट्रिक)

आप पूछ सकते हैं, "यदि अनंत पथ हैं, तो AI कैसे जानता है कि किसे चुनना है?"

यह पेपर फ्लक्स मैचिंग नामक एक नई गणितीय ट्रिक पेश करता है। यह जाँचने के बजाय कि क्या रोबोट हर एक बिंदु पर ठीक उसी रेखा पर है (जो कठिन और प्रतिबंधात्मक है), यह ट्रैफिक फ्लो की जाँच करता है।

यह पूछता है: "क्या इस क्षेत्र में जाने वाली 'चीजों' की मात्रा, बाहर जाने वाली मात्रा के बराबर है?"
यदि उत्तर "हाँ" है, तो AI अच्छा काम कर रहा है, भले ही वह एक अजीब, गैर-मानक पथ ले रहा हो।
यह "नलस्पेस" (nullspace) के अनंत सही उत्तरों का निर्माण करता है। AI फिर उस उत्तर को चुन सकता है जो सबसे तेज़ है, सबसे समझने योग्य है, या विशिष्ट नियमों का पालन करता है, जबकि अभी भी सही अंतिम छवि उत्पन्न करने की गारंटी देता है।

4. उन्होंने वास्तव में क्या सिद्ध किया?

लेखकों ने इस नई पद्धति का परीक्षण किया और पाया:

यह छवियों पर काम करता है: उन्होंने सफलतापूर्वक चेहरों (CelebA) और छोटी वस्तुओं (CIFAR-10) की उच्च-गुणवत्ता वाली छवियां उत्पन्न कीं, जिससे सिद्ध हुआ कि यह जटिल डेटा के लिए स्केल हो सकता है।
यह गति बढ़ाता है: "फास्ट मिक्सिंग" (गंतव्य तक तेज़ी से पहुँचना) के लिए अनुकूलित करके, वे मानक विधियों की तुलना में कम चरणों के साथ छवियां उत्पन्न कर सके।
यह जीव विज्ञान में मदद करता है: उन्होंने इसका उपयोग RNA वेलोसिटी (कोशिकाएं समय के साथ कैसे बदलती हैं) को मॉडल करने के लिए किया और मौजूदा जैविक उपकरणों की तुलना में बेहतर, अधिक सुसंगत परिणाम प्राप्त किए।
यह संरचना का सम्मान करता है: उन्होंने दिखाया कि एक "कॉज़ल मास्क" (एक नियम जो कहता है कि "भविष्य अतीत को प्रभावित नहीं कर सकता") जोड़कर, AI उन निर्देशित संबंधों को सीख सकता था जिन्हें पुराना तरीका भौतिक रूप से नहीं सीख सकता था।

कमी

पेपर अपनी कमियों के बारे में ईमानदार है। क्योंकि फ्लक्स मैचिंग को इन "ट्रैफिक फ्लो" का अनुकरण करना पड़ता है और गणित को अधिक जटिल रूप से जांचना पड़ता है, इसलिए यह वर्तमान में प्रशिक्षण चरण के दौरान पुराने तरीके की तुलना में धीमा है और अधिक कंप्यूटर मेमोरी (लगभग 2-4 गुना अधिक) का उपयोग करता है। हालाँकि, एक बार प्रशिक्षित होने के बाद, यह मॉडल पुराने मॉडल्स की तरह ही तेज़ी से छवियां उत्पन्न करता है।

संक्षेप में: फ्लक्स मैचिंग लक्ष्य को "एक पूर्ण रेखा का पालन करें" से बदलकर "किसी भी वैध प्रवाह का पालन करें जो हमें वहां पहुंचा दे" में बदल देता है। यह पथ को स्वयं एक डिज़ाइन विकल्प में बदल देता है, जिससे AI तेज़, अधिक व्याख्या योग्य और जटिल नियमों का पालन करने में बेहतर बन जाता है।

तकनीकी सारांश: फ्लक्स मैचिंग के साथ जेनेरेटिव मॉडलिंग

समस्या विवरण

वर्तमान अत्याधुनिक जेनेरेटिव मॉडलिंग, विशेष रूप से उच्च-आयामी डोमेन जैसे कि इमेज सिंथेसिस, प्रोटीन डिज़ाइन और रोबोटिक्स में, मुख्य रूप से स्कोर-आधारित मॉडल्स (score-based models) पर निर्भर करती है। ये मॉडल स्टीन स्कोर फंक्शन (Stein score function), $\nabla \log p_{\text{data}}(x)$ , को आमतौर पर स्कोर मैचिंग (score matching) के माध्यम से सीखते हैं। एक बार सीख लिए जाने के बाद, इस स्कोर का उपयोग लक्षित वितरण (target distribution) $p_{\text{data}}$ से नमूने लेने (sampling) के लिए डिफ्यूजन प्रक्रियाओं (जैसे लैंजेविन डायनेमिक्स) को संचालित करने के लिए किया जाता है।

हालाँकि, स्कोर फंक्शन वह एकमात्र वेक्टर फील्ड नहीं है जो $p_{\text{data}}$ उत्पन्न करने में सक्षम है। फॉकर-प्लांक समीकरण (Fokker–Planck equation - FPE) के अनुसार, कोई भी वेक्टर फील्ड $f_\theta$ जो इस शर्त को पूरा करता है: $\nabla \cdot (p_{\text{data}} f_\theta) = \nabla \cdot (p_{\text{data}} \nabla \log p_{\text{data}})$ , उसका $p_{\text{data}}$ ही स्थिर वितरण (stationary distribution) होगा। इसका तात्पर्य यह है कि जेनरेटिव वेक्टर फील्ड्स का एक अनंत परिवार (non-conservative fields) मौजूद है जो समान लक्षित वितरण उत्पन्न कर सकते हैं, लेकिन उनकी गतिकी (dynamics) भिन्न हो सकती है (जैसे कि अलग-अलग मिक्सिंग दरें, सर्कुलेशन पैटर्न, या निर्देशित डिपेंडेंसी)।

मौजूदा स्कोर मैचिंग ऑब्जेक्टिव मॉडल्स को एक एकल बिंदु ( $\nabla \log p_{\text{data}}$ ) पर अभिसरित (converge) होने के लिए मजबूर करते हैं, और किसी भी विचलन को दंडित करते हैं, भले ही वह विचलन लक्षित वितरण को सुरक्षित रखता हो। यह उपयोगी इंडक्टिव बायस (inductive biases), स्ट्रक्चरल प्रायर्स (structural priors), या डायनेमिक गुणों (जैसे तेज़ मिक्सिंग या कॉज़ल डिपेंडेंसी) को सीधे जेनरेटिव फील्ड में एनकोड करने की क्षमता को प्रतिबंधित करता है।

कार्यप्रणाली: फ्लक्स मैचिंग (Flux Matching)

लेखक फ्लक्स मैचिंग का प्रस्ताव करते हैं, जो एक नया प्रतिमान (paradigm) है जो स्कोर मैचिंग का सामान्यीकरण (generalization) करता है। यह मॉडल को स्कोर से पॉइंटवाइज (pointwise) मैच करने के बजाय, उस परिवार के भीतर किसी भी वेक्टर फील्ड को सीखने की अनुमति देता है जो लक्षित वितरण को उत्पन्न करता है।

मुख्य उद्देश्य

फिशर डाइवर्जेंस (Fisher divergence) के बीच $f_\theta$ और स्कोर $\nabla \log p_{\text{data}}$ को कम करने के बजाय, फ्लक्स मैचिंग प्रोबेबिलिटी फ्लक्स (probability flux) के डाइवर्जेंस को कम करता है। एक फील्ड के जेनरेटिव होने की शर्त है:
$\nabla \cdot (p_{\text{data}} f_\theta) = \nabla \cdot (p_{\text{data}} \nabla \log p_{\text{data}})$
यह स्थिति पॉइंटवाइज समानता की तुलना में कमजोर है, जो समान फ्लक्स डाइवर्जेंस साझा करने वाले ग्रेडिएंट फील्ड्स के अनंत स्थान (nullspace) को स्वीकार करती है।

सैद्धांतिक व्युत्पत्ति (Theoretical Derivation)

इस स्थिति को अनुकूलित करने के लिए, लेखक एक प्रोजेक्टेड फिशर डाइवर्जेंस (Projected Fisher Divergence) को परिभाषित करते हैं:
$\tilde{J}(\theta) := \mathbb{E}_{x \sim p_{\text{data}}} \left[ \| \Pi_{\text{flux}} f_\theta(x) - \nabla \log p_{\text{data}}(x) \|^2 \right]$
जहाँ $\Pi_{\text{flux}}$ एक वेक्टर फील्ड को उन ग्रेडिएंट फील्ड्स के स्थान पर प्रोजेक्ट करता है जो समान फ्लक्स डाइवर्जेंस साझा करते हैं। जबकि $\tilde{J}(\theta)$ सैद्धांतिक रूप से सही है, यह उच्च आयामों में अव्यवहार्य (intractable) है।

लेखक एक व्यवहार्य फ्लक्स मैचिंग लॉस ( $L_{\text{flux}}$ ) व्युत्पन्न करते हैं:

रेसिडुअल फील्ड $u_\theta = f_\theta - \nabla \log p_{\text{data}}$ और लैंजेविन-स्टीन ऑपरेटर $r_\theta = \nabla \cdot u_\theta + u_\theta \cdot \nabla \log p_{\text{data}}$ को परिभाषित करके।
डेटा वितरण पर $r_\theta$ को प्रसारित करने के लिए डिफ्यूजन सिमुलेशन $d x_t = \nabla \log p_{\text{data}}(x_t) dt + \sqrt{2} dW_t$ का उपयोग करके।
ऑब्जेक्टिव को एक ऐसे रूप में बदलने के लिए इंटीग्रेशन बाय पार्ट्स और एक स्टॉप-ग्रेडिएंट (stop-gradient) ट्रिक का उपयोग करना जो महंगे पाथवाइज डेरिवेटिव्स (pathwise derivatives) के माध्यम से बैकप्रोपैगेशन से बचता है।

अंतिम लॉस है:
$L_{\text{flux}}(\theta) := -\mathbb{E}_{t \sim q, x_0 \sim p_{\text{data}}, x_t | x_0} \left[ \frac{1}{q(t)} u_\theta(x_0)^\top \text{sg}\left( \frac{\partial x_t}{\partial x_0}^\top \nabla_{x_t} r_\theta(x_t) \right) \right]$
जहाँ $\text{sg}$ स्टॉप-ग्रेडिएंट ऑपरेटर है। लेखक सिद्ध करते हैं कि $\nabla_\theta \tilde{J}(\theta) = 2 \nabla_\theta L_{\text{flux}}(\theta)$ ।

नॉइज़ एनीलिंग और व्यावहारिक कार्यान्वयन

यह विधि नॉइज़-एनील्ड (noise-annealed) सेटिंग्स तक विस्तारित है (डिफ्यूजन मॉडल्स के समान) जहाँ शोर के स्तर $\sigma$ के लिए फील्ड्स के एक निरंतरता (continuum) को सीखा जाता है।

स्कोर एप्रोक्सिमेशन: चूंकि $\nabla \log p_{\text{data}}$ अज्ञात है, लेखक स्कोर का अनुमान लगाने के लिए मिनी-बैचेस पर नॉन-पैरामीट्रिक कर्नेल डेंसिटी एस्टीमेशन (KDE) का उपयोग करते हैं।
वेरिएंस रिडक्शन: पाथवाइज टर्म $\frac{\partial x_t}{\partial x_0}^\top \nabla_{x_t} r_\theta(x_t)$ का अनुमान लगाने के लिए, लेखक सिंगल चेन पर निर्भर रहने के बजाय, सभी सैंपल्स का उपयोग करते हुए एक क्रॉस-चेन एस्टीमेटर का उपयोग करते हैं, जिसे गॉसियन ट्रांजिशन प्रोबेबिलिटीज द्वारा भारित (weighted) किया जाता है।

विशिष्ट फील्ड्स का चयन करना

फ्लक्स मैचिंग फील्ड्स के एक परिवार को सीखता है। वांछित गुणों वाले विशिष्ट फील्ड को चुनने के लिए, लेखक दो रणनीतियाँ प्रस्तावित करते हैं:

एप्लीकेशन-स्पेसिफिक लॉस: फ्लक्स मैचिंग ऑब्जेक्टिव में सहायक लॉस (जैसे मिक्सिंग स्पीड या स्ट्रक्चरल कंस्ट्रेंट्स) जोड़ना।
मॉडल पैरामीट्रिज़ेशन: आर्किटेक्चरल कंस्ट्रेंट्स (जैसे कॉज़ल अटेंशन मास्क) जो $f_\theta$ में विशिष्ट संरचनाओं को सीधे लागू करते हैं।

मुख्य योगदान

फ्लक्स मैचिंग प्रतिमान: एक जेनेरेटिव मॉडलिंग फ्रेमवर्क का परिचय जो स्कोर को मैच करने के बजाय प्रोबेबिलिटी फ्लक्स के डाइवर्जेंस को मैच करके स्कोर से परे वेक्टर फील्ड्स को सीखता है।
कुशल लॉस व्युत्पत्ति: एक स्केलेबल फ्लक्स मैचिंग लॉस का व्युत्पन्न जो फिशर डाइवर्जेंस ज्योमेट्री को बनाए रखता है और नॉन-कंजर्वेटिव वेक्टर फील्ड्स की अनुमति देता है।
नॉइज़-एनील्ड विस्तार: जटिल, उच्च-आयामी इमेज डेटासेट्स के अनुप्रयोग को सक्षम करने के लिए नॉइज़-एनील्ड डिस्ट्रीब्यूशंस तक विस्तार।
प्रदर्शित लचीलापन: प्रयोगात्मक साक्ष्य दिखाते हैं कि फ्लक्स मैचिंग मानक स्कोर मैचिंग के तहत असंभव अनुप्रयोगों को सक्षम बनाता है, जिसमें शामिल हैं:
- तेज़ मिक्सिंग (Faster Mixing): ऐसे वेक्टर फील्ड्स सीखना जो सैंपलिंग कन्वर्जेंस को तेज करते हैं।
- व्याख्यात्मकता (Interpretability): ब्लैक-बॉक्स न्यूरल एप्रोक्सिमेशन के बिना स्ट्रक्चर्ड, जैविक रूप से सार्थक मॉडल (जैसे RNA वेलोसिटी) को फिट करना।
- स्ट्रक्चर्ड डायनेमिक्स: जेनरेटिव फील्ड में निर्देशित डिपेंडेंसी (जैसे टेम्पोरल ऑटोरेग्रेशन) को एम्बेड करना।

परिणाम

पेपर पांच सेटिंग्स में फ्लक्स मैचिंग का मूल्यांकन करता है:

कंट्रोलेबल फील्ड्स (टॉय डेटा): 2D गॉसियन मिक्सचर पर, फ्लक्स मैचिंग उन फील्ड्स को शून्य लॉस असाइन करता है जो लक्षित वितरण को बनाए रखते हैं लेकिन अलग डायनेमिक्स (जैसे रोटेशन, सर्कुलेशन) रखते हैं, जबकि स्कोर मैचिंग इन विचलनों को दंडित करता है।
इंटरप्रिटेबल फील्ड्स (RNA वेलोसिटी): सिंगल-सेल जीनोमिक्स पर लागू होते हुए, फ्लक्स मैचिंग ग्रेडिएंट डिसेंट के माध्यम से scVelo डायनेमिकल मॉडल पैरामीटर्स को फिट करता है। यह कंसिस्टेंसी और क्रॉस-बाउंड्री करेक्टनेस में मानक EM-आधारित scVelo फिटिंग से बेहतर प्रदर्शन करता है, जो दर्शाता है कि लाभ ऑप्टिमाइज़ेशन प्रक्रिया से आता है न कि बढ़ी हुई मॉडल एक्सप्रेसिविटी से।
अनरिस्ट्रिक्टेड जनरेशन (इमेज): CIFAR-10 और CelebA पर, फ्लक्स मैचिंग एक स्टैंडअलोन ऑब्जेक्टिव के रूप में कार्य करता है। हालांकि यह प्रतिस्पर्धी FID स्कोर प्राप्त करता है, यह वर्तमान में डैनोइजिंग स्कोर मैचिंग (DSM) की तुलना में 3-4 $\times$ धीमा है और 2-3 $\times$ अधिक मेमोरी का उपयोग करता है। फिर भी, यह उच्च-आयामी डिस्ट्रीब्यूशन तक स्केल करता है।
फास्ट मिक्सिंग: एक मिक्सिंग प्रॉक्सी को अनुकूलित करके, फ्लक्स मैचिंग वेनिला फ्लक्स मैचिंग या DSM की तुलना में काफी कम सैंपलिंग स्टेप्स के साथ उचित FID स्कोर तक पहुँचने वाले फील्ड्स सीखता है।
स्ट्रक्चर को एम्बेड करना: एक ट्रजेक्टरी जनरेशन टास्क (नॉनलीनर स्प्रिंग्स) में, फ्लक्स मैचिंग टेम्पोरल ऑटोरेग्रेशन को लागू करने के लिए कॉज़ल अटेंशन मास्क को सफलतापूर्वक शामिल करता है। इसके विपरीत, DSM पर वही मास्क लागू करने से प्रदर्शन गिर जाता है क्योंकि स्कोर फंक्शन का सिमेट्रिक जैकोबियन निर्देशित डिपेंडेंसी के साथ संघर्ष करता है।

महत्व और दावे

लेखक दावा करते हैं कि फ्लक्स मैचिंग वेक्टर फील्ड को एक फिक्स्ड टारगेट के बजाय एक डिज़ाइन चॉइस के रूप में मानकर जेनेरेटिव मॉडलिंग में एक "नया आयाम" खोलता है।

सैंपलिंग से परे: प्राथमिक मूल्य मानक इमेज जनरेशन (जहाँ DSM अत्यधिक अनुकूलित है) के लिए इसे बदलने में नहीं है, बल्कि उपयोगी गुणों वाली डायनेमिक्स को सक्षम करने में है।
लचीलापन: यह अभ्यासकर्ताओं को जेनरेटिव प्रक्रिया में इंडक्टिव बायस, स्ट्रक्चरल प्रायर्स और मैकेनिकल कंस्ट्रेंट्स को सीधे लागू करने की अनुमति देता है।
अनुप्रयोग: पेपर इस लचीलेपन से अनलॉक हुए विशिष्ट उपयोग के मामलों को उजागर करता है: नॉन-रिवर्सिबल डायनेमिक्स के माध्यम से तेज़ सैंपलिंग, व्याख्यात्मक वैज्ञानिक मॉडल (जैसे RNA वेलोसिटी), और निर्धारित कॉज़ल या टेम्पोरल स्ट्रक्चर वाले जेनेरेटिव मॉडल।

पेपर निष्कर्ष निकालता है कि हालांकि फ्लक्स मैचिंग वर्तमान में उच्च कम्प्यूटेशनल लागत लेता है, इसकी नॉन-कंसर्वेटिव, स्ट्रक्चर्ड जेनेरेटिव फील्ड्स को सीखने की क्षमता उन अनुप्रयोगों के लिए एक शक्तिशाली उपकरण प्रदान करती है जहाँ आउटपुट की डिस्ट्रीब्यूशन के साथ-साथ उसकी डायनेमिक्स भी उतनी ही महत्वपूर्ण है।