フローマッチング（Flow Matching）は、ノイズ分布からデータ分布へのフローを構築する生成モデルである。従来、ノイズベクトルとデータポイントのペアリング（結合）は計算上の選択として扱われてきた。しかし、本研究ではこの結合をアライメントインターフェースとして利用できることを示す。対象分子の特性に応じてノイズとデータをマッチングすることで、学習されたフローフィールドに直接制御可能な構造を埋め込む。この考えに基づき、報酬輸送（Reward Transport）を導入する。
訓練時には最適輸送結合を用いて、スカラーのノイズ空間座標を分子報酬（例：logPやQED）とアライメントする。推論時にはこの座標を変化させることで、オラクル、報酬モデル、勾配ガイダンス、追加計算を必要とせずに生成分布を制御できる。結合保存極限では、この座標のしきい値処理がCross-Entropy Methodの切り捨て報酬分布を回復し、原理的に調整可能で連続的な分布レベルの制御ノブを提供する。
ZINC-250KおよびGuacaMolでの実験では、スカラーの掃引によりlogPの単調制御とQEDの動作範囲内での一貫した制御が達成された。最も顕著なのは、同じノブが異なるターゲットに対して反対の構造応答を生じることである（logPでは分子を大きくし、QEDでは小さくする）。これにより汎用的なサイズバイアスが排除される。本手法はクラシファイアフリーガイダンスや条件付きフローマッチングと相補的であり、epsilon予測拡散下での否定的結果は結合レベルアライメントが構造的に欠如する場合を明確にする。
要約すると、報酬輸送は簡潔で効率的かつ解釈可能な分子特性制御手段を提供する。コードはGitHubで公開されている。この研究はフローマッチングにおける結合の役割の理解を深めるだけでなく、医薬分子設計などの応用に強力なツールをもたらす。