에너지 기반 모델 (Energy-Based Models, EBMs)은 과학적 데이터의 생성 모델링 (generative modeling)을 위한 해석 가능한 프레임워크를 제공하지만, 취약한 마르코프 체인 몬테카를로 (Markov Chain Monte Carlo, MCMC) 혼합 (mixing) 성능이 종종 신뢰성을 제한합니다. 우리는 학습 과정 전반에 걸쳐 평형 샘플링 (equilibrium sampling)을 유지하기 위해 최적화 경로의 연속성을 활용하는 병렬 궤적 템퍼링 (Parallel Trajectory Tempering, PTT) 기반의 학습 알고리즘을 소개합니다. 이를 통해 매우 다봉성 (multimodal)이 강하고 데이터가 부족한 과학적 데이터셋에서도 안정적이고 빠른 학습이 가능해집니다. 저수지 샘플링 (reservoir sampling) 및 적응형 최적화 (adaptive optimization)와 결합된 PTT는 지속적 대조 발산 (Persistent Contrastive Divergence, PCD)과 유사한 계산 비용을 가지므로, 표준 학습 방법의 실질적인 대체제가 될 수 있습니다. 또한 PTT는 추가 비용이 거의 없이 열화 시간 (thermalization times), 학습된 모델로부터의 평형 샘플 (equilibrium samples), 그리고 정확한 로그 가능도 (log-likelihoods)에 대한 직접적인 추정치를 제공합니다. 제한된 볼츠만 머신 (Restricted Boltzmann Machines, RBM)에 대한 실험 결과, PTT는 기존의 EBM 학습 방식들을 일관되게 능가함을 보여줍니다. 이산적 테이블 데이터 (discrete tabular data)에서도 PTT는 최첨단 (state-of-the-art) 딥 생성 모델 (deep generative models)을 능가하며, 더 높은 품질의 샘플을 생성하고 과적합 (overfitting) 및 제한된 데이터에 대해 더 높은 강건성 (robustness)을 나타냅니다. 우리의 결과는 EBM의 평형 최대 가능도 (equilibrium maximum-likelihood) 학습을 실용적이고 계산 효율적으로 만듭니다.