카오스 시스템 (Chaotic systems)을 모델링하는 것은 매우 중요하지만 매우 어려운 과제입니다. 카오스 역학 (Chaotic dynamics)에서의 역문제 (Inverse problems), 즉 최종 상태로부터 초기 조건을 추론하는 문제는 부적절성 (Ill-posedness), 비유일성 (Non-uniqueness), 불안정성 (Instability), 그리고 잠재적으로 카오스적인 시간 역전 역학 (Time-reverse dynamics) 때문에 여전히 미해결 상태로 남아 있습니다. 우리는 양방향 조건부 흐름 매칭 (Bidirectional Conditional Flow Matching, Bi-CFM)을 통해 이 미해결 문제를 다룹니다. Bi-CFM은 초기 상태와 최종 상태의 분포 사이의 양방향 매핑 (Bidirectional mappings)을 학습하여 카오스적 진화의 확률성 (Stochasticity)을 포착하고 시간에 따른 지수적 오차 누적 (Exponential error accumulation)을 완화합니다. 나아가, 보존 법칙 (Conservation laws)이 존재하는 시스템을 위해 이를 보존 제약 양방향 조건부 흐름 매칭 (Conservation-constrained Bi-CFM, CBi-CFM)으로 확장합니다. 고전적인 Lorenz, Circuit, 그리고 고차원 Lorenz 96 시스템 전반에 걸쳐, Bi-CFM은 베이스라인 (Baselines) 대비 5가지 분포 수준 지표 (Distribution-level metrics)를 개선하는 동시에 2개 차수(Two orders of magnitude) 이상의 속도 향상을 달성했습니다. 행성 역학 (Planetary dynamics)의 삼체 행성-행성 산란 (Three-body planet-planet scattering) 문제에서 CBi-CFM은 보존 법칙을 더 잘 준수하며, 보존 오차 (Conservation errors)는 실제 정답 (Ground truth)과 유사한 수준을 보였습니다. 마지막으로, 약 $10^{10}$년 (10 Gyr)의 진화로 형성된 충돌 밀집 성단 (Globular clusters)의 실제 관측 데이터에 적용했을 때, 우리의 방법론은 정확도 측면에서 진보를 보여주며 장기적 시간 규모를 가진 실제 카오스 역학의 역문제를 해결하기 위한 확장 가능한 경로를 제시합니다.