단백질 역학 (Protein dynamics)의 생성형 에뮬레이터 (Generative emulators)는 분자 역학 (Molecular dynamics) 비용의 극히 일부만으로도 그럴듯한 궤적 (Trajectories)을 생성하지만, 훈련 분포 (Training distribution)를 그대로 물려받기 때문에 장기 외삽 (Long-horizon extrapolation) 상황에서 희귀한 상태 (Rare states)에 도달하기보다는 이미 알려진 상태를 재방문하는 경향이 있습니다. 고전적인 강화 샘플링 (Enhanced sampling)에서 영감을 얻어, 본 연구에서는 사전 훈련된 에뮬레이터의 생성 공간 (Generative space) 내에 암시적이고 이력 의존적인 (History-dependent) 편향 (Bias)을 도입합니다. 구체적으로, 이력 인식 점수 추정기 (History-aware score estimator)는 고정된 (Frozen) 에뮬레이터에 거리 가중 편향 (Distance-weighted bias)을 추가하여, 역시간 샘플링 (Reverse-time sampling)이 이전에 생성된 구조로부터 멀어지도록 유도하며, 이는 환경 지지 항 (Environment-support term)에 의해 정규화됩니다. 장기적인 관점에서 구조적 타당성 (Structural validity)을 유지하기 위해, 점수 기반 정제 단계 (Score-based refinement step)는 고정된 에뮬레이터를 사용하여 표류된 샘플 (Drifted samples)을 데이터 매니폴드 (Data manifold) 위로 재투영합니다. 실험 결과, 본 방법론은 (i) DynamicPDB-80에서 다양성 (Diversity)을 $35%$ 향상시켰으며, (ii) $12$개의 제로샷 (Zero-shot) Fast-Folding 단백질에 대해, 학습된 편향만으로도 편향되지 않은 에뮬레이터의 커버리지 (Coverage)에 최대 ${\sim}15\times$ 더 빠르게 도달하였고, 정제 (Refinement)와 결합했을 때는 ${\sim}3\times$ 더 많은 저에너지 상태 (Low-energy states)를 커버하면서 커버리지에 최대 ${\sim}37\times$ 더 빠르게 도달함을 입증했습니다. 코드는 곧 공개될 예정입니다.