시간적 진화 (temporal evolution)를 모델링하는 것은 과학적 현상을 분석하고 추론하는 데 중요하지만, 대부분의 머신러닝 (machine learning) 방법론은 여러 가능한 결과들을 간과하는 결정론적 순방향 예측 (deterministic forward predictions)을 제공하며, 역방향 추론 (backward reasoning)을 지원하는 경우가 드물어 실제 과학적 워크플로 (scientific workflows)에서의 유용성이 제한됩니다. 우리는 과학적 탐구를 위해 확산 기반 생성 모델링 (diffusion-based generative modeling)과 상호작용형 시각적 분석 (interactive visual analytics)을 통합하는 프레임워크를 제시합니다. 우리는 시간 전반에 걸쳐 양방향, 임의의 지점 간 생성 (any-to-any generation)을 가능하게 하고 가능한 시스템 진화의 분포를 포착하는 조건부 확산 모델 (conditional diffusion model)인 DiffUNet^2를 소개합니다. 이 모델을 기반으로 구축된 우리의 상호작용형 시스템은 분기형 타임라인 탐색 (branching timeline exploration), 사용자 가이드 상태 편집 (user-guided state editing), 그리고 확률 공간 탐색 (probability-space navigation)을 지원하여, 과학자들이 예측을 수동적으로 관찰하기보다 대안적 가설을 능동적으로 탐색할 수 있도록 합니다. 우리는 모델의 예측 정확도와 확률 공간 앙상블 (probability-space ensemble) 품질을 검증하기 위해 서로 다른 과학 분야의 5개 데이터셋에서 모델을 평가합니다. 도메인 전문가들과의 협업을 통해, 우리는 실제 과학적 시계열 데이터 분석 워크플로를 지원하는 데 있어 우리 접근 방식의 효과를 입증합니다. 모델링과 시각적 상호작용을 통합함으로써, 우리의 접근 방식은 과학자들이 시스템 역학 (system dynamics)을 상호작용적으로 탐색할 수 있게 하며, 생성 모델을 가설 중심의 과학적 분석을 위한 도구로 변모시킵니다.