플로우 매칭 (Flow matching) 및 확산 모델 (Diffusion models)은 이미지에서 단백질에 이르는 다양한 도메인에 걸쳐 조건부 생성 (Conditional generation)을 가능하게 하며, 최근에는 분포 외 (Out-of-distribution, OOD) 문맥으로의 확장도 이루어지고 있습니다. 그러나 신경 시계열 (Neural time series) 생성 모델은 주로 범주형 조건화 (Categorical conditioning)에 국한되어 있어, 구성적 (Compositional) 및 제로샷 (Zero-shot) 일반화가 제한되어 왔습니다. 본 연구에서는 구성적인 언어와 선택적인 공간적 사전 정보 (Spatial priors)를 인컨텍스트 (In-context)로 주입함으로써, 학습되지 않은 인지 과업 (Cognitive tasks) 동안의 현실적인 fMRI 뇌 역학 (Brain dynamics)을 생성하기 위한 타임스텝별 조건부 확산 트랜스포머 (Per-timestep conditioned diffusion transformer)를 제안합니다. 이러한 제로샷 생성은 실증적 검증 이전에 새로운 인지 실험의 인실리코 (In-silico) 설계 및 평가를 지원함으로써 반사실적 신경과학 (Counterfactual neuroscience)을 가능하게 할 수 있습니다. 이 모델을 활용하여, 우리는 수백 개의 홀드아웃 (Held-out) 과업 조건에 대해 평가를 수행하고 훈련 매니폴드 (Training manifold)와 관련된 예측 성능을 특성화합니다. 언어만 사용했을 때, 모델은 과업 전반에 걸친 영역 특이적 동원 (Region-specific recruitment)과 홀드아웃된 공간 활성화 패턴을 복구합니다. 공간적 사전 정보가 사용 가능할 경우, 이는 언어만으로는 성능이 저하되는 과업 공간의 영역에 생성을 고정함으로써 텍스트 경로를 보완하는 동시에, 반사실적 과업 명시 (Counterfactual task specification)에 필요한 구성적 구조를 유지합니다. 우리가 알기로 이는 학습되지 않은 인지 과업에 대한 전뇌 (Whole-cortex) fMRI 역학을 다루는 최초의 생성 모델이며, 반사실적 신경과학과 데이터 기반 실험 설계를 진전시킵니다.