Naukowcy z arXiv zaproponowali nową metodę Differentiable Diffusion Conditioning (D2C) do offline model-based optimization, która rozwiązuje problem optymalizacji złożonych systemów fizycznych bez dostępu do rzeczywistych testów. Kluczowa innowacja polega na tym, że deterministyczne próbkowanie w procesie denoizingu czyni całą łańcuch odwrotny zróżniczkowalnym względem sygnału warunkującego, co pozwala na gradient-based optymalizację w czasie testowania.
Trady metodę działa poprzez zamrożenie wstępnie wytrenowanego modelu diffusion i użycie go jako optimizera end-to-end. System bezpośrednio optymalizuje zmienne warunkujące, propagując gradienty z zamrożonych funkcji celu surrogate oraz kar opartych na fizyce przez cały łańcuch odwrotny denoizingu. To pozwala na iteracyjne ulepszanie kandydatów rozwiązań przeciwko precyzyjnym celom fizycznym, co stanowi istotne ulepszenie w stosunku do statycznych samplerów inference-time.
W testach metoda osiągnęła najlepsze wyniki w dwóch rzeczywistych zastosowaniach: optymalizacji impulsów laserowych dla termojądrowego syntezy kontrolowanej inertial confinement fusion oraz planowaniu obciążenia pracowniczego zrównoważonych centrów danych. Dodatkowo wykazała najlepszą średnią rangę na czterech zadaniach z benchmark'a Design-Bench, pokonując konkurencyjne podejścia w offline model-based optimization.