arXiv cs.AI· Ricardo Luna Gutierrez, Vineet Gundecha, Rahman Ejaz, Varchas Gopalaswamy, Riccardo Betti, Sahand Ghorbanpour, Aarne Lees, Soumyendu Sarkar·· 11 小时前AI 评分24
D2C：面向物理约束优化的端到端可微扩散条件化方法
End-to-End Differentiable Diffusion Conditioning for Physics-Informed Optimization
AI 导读
研究者提出 Differentiable Diffusion Conditioning（D2C），利用确定性采样使逆向去噪链对条件信号可微，将冻结的条件扩散模型转为端到端梯度优化器，在测试时通过冻结代理目标与物理约束惩罚的梯度直接优化条件变量。该方法在惯性约束聚变激光脉冲优化和数据中心负载调度两个真实任务上取得最强结果，并在四个 Design-Bench 任务上取得最佳平均排名。
正文 · AI 翻译
摘要：在昂贵评估和复杂约束下优化高维物理系统是科学与工程中的核心挑战。在离线基于模型的优化（MBO）中，方法必须仅使用固定数据集来改进设计，且在测试时无法访问真实目标。然而，现有方法通常存在保守性、无约束的代理模型利用问题，或作为静态推理时采样器运行，无法针对精确的物理目标细化候选方案。本文提出用于离线 MBO 的可微扩散条件化（D2C），它利用了确定性采样使反向去噪链相对于条件信号可微这一事实。D2C 通过在测试时直接优化条件变量，利用冻结代理目标和物理信息惩罚项的梯度经反向链反向传播，将冻结的条件扩散模型转变为端到端的基于梯度的优化器。我们在组合式提议器-评估器框架中实现了这一思想，并在惯性约束聚变的激光脉冲优化、可持续数据中心工作负载调度以及四个 Design-Bench 任务上进行了评估。我们的方法在两个真实世界任务上取得了最强结果，并在四个 Design-Bench 任务上取得了最佳平均排名。
| 评论： | 初版已提交至 NeurIPS 2026 主会议，待发表 |
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.31721 [cs.LG] |
| （或本版本的 arXiv:2610.31721v1 [cs.LG]） | |
| https://doi.org/10.48550/arXiv.2610.31721 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Soumyendu Sarkar [查看邮箱]
[v1]
2026年10月22日 星期四 09:53:05 UTC（209 KB）
来源：arXiv cs.AI · arxiv.org