في عالم البحث العلمي والصناعي، تعد النمذجة التوليدية للبيانات المتقطعة، مثل الرسوم البيانية، أحد الأسس الحيوية التي يعتمد عليها العديد من التطبيقات، بدءًا من اكتشاف المواد وحتى تصميم الجزيئات. في هذه المجالات، تعتبر الاستدلال الاحتمالي (Probabilistic Inference) أحد الأدوات القيمة التي تسهم في إنشاء خرائط قابل للتقسيم ودمج القيود المرغوبة كخصائص الهيكل أو الوظيفة بأسلوب مبدع.

تأتي نماذج الطاقة (Energy-Based Models) كنموذج مثالي يدعم هذا الهدف بشكل طبيعي، حيث تلتقط احتمالات نسبية وتمكّن من الاستدلال القابل للتقسيم عبر إنفاذ القيود مباشرةً أثناء الاستدلال. ومع ذلك، تعاني نماذج الطاقة المتقطعة غالبًا من صعوبة في عملية العينة عالية الجودة والكفاءة، حيث تحتوي المناطق الخارجة عن الدعم على minima محلية مزيفة، مما يؤدي إلى عرقلة العينات وزيادة عدم استقرار التدريب، مما يساهم في وجود فجوة في الدقة مقارنةً بنماذج الانتشار المتقطعة.

استجابةً لهذه التحديات، تم تقديم تقنية Graph Energy Matching (GEM)، وهو إطار توليدي متقطع مستوحى من منظور تحسين النقل المتمثل في نظريةجوندر وكيندريلر وأوتو (JKO). تتعلم GEM طاقة محتملة غير حساسة للتبديل تقود من خلالها النقل المتقطع من الضوضاء نحو مناطق الرسوم البيانية ذات الاحتمالية العالية وتعمل على تحسين العينات ضمن هذه المناطق.

كما تم إدخال بروتوكول أخذ عينات يعتمد على استراتيجية تبديل مستندة إلى الطاقة، مما يربط بسلاسة بين النقل السريع المدعوم بالتدرج ونظام خلط محلي لاستكشافٍ أكثر فعالية. في اختبارات الرسوم البيانية الجزيئية، تعادل أو تتجاوز GEM أسس نماذج الانتشار المتقطعة القوية في معظم المقاييس المُبلغ عنها.

بجانب تحسين جودة التوليد، يمكّن نموذج GEM القائم على الاحتمالات من استكشاف مستهدف، مما يسهل إنشاء مركب أخذ العينات المقيد بخصائص، والتداخل بين الرسوم البيانية.