연구진은 Generative Flow Networks(GFlowNet)와 최적 수송(OT) 간의 이론적 연관성을 밝혔어요. 최소 흐름 GFlowNet의 초기 흐름 분포를 고정하면 목표가 Kantorovich OT 문제로 단순화돼요. 최적 상태에서 학습된 GFlowNet 정책은 소스 분포에서 대상 분포로의 최적 수송 계획을 인코딩하며, 최소 흐름 GFlowNet에서 샘플링된 경로는 해당 최적 커플링을 복구해요.
이 공식은 큰 그래프에서 엣지 흐름과 신경망 매개변수화를 통해 OT 문제를 GFlowNet 학습 프레임워크에 적용할 수 있도록 해줘요. 실험 결과는 정확한 OT 솔버와의 일치성을 확인하고 GFlowNet이 고품질 수송 계획을 학습할 수 있음을 입증했어요.