arXiv 机器学习· Ricardo Luna Gutierrez, Vineet Gundecha, Rahman Ejaz, Varchas Gopalaswamy, Riccardo Betti, Sahand Ghorbanpour, Aarne Lees, Soumyendu Sarkar·· 10 小时前AI 评分38
面向物理信息优化的端到端可微扩散条件方法
End-to-End Differentiable Diffusion Conditioning for Physics-Informed Optimization
AI 导读
研究人员提出面向离线基于模型优化（MBO）的可微扩散条件（D2C）方法，将冻结的条件扩散模型转变为端到端梯度优化器。D2C 利用确定性采样的可微反向去噪链，在测试时通过代理目标与物理惩罚项的反向传播梯度直接优化条件变量。实验表明，该方法在惯性约束聚变激光脉冲优化和可持续数据中心负载调度两项任务中取得最强结果，并在 4 个 Design-Bench 任务中取得最佳平均排名。
来源：arXiv 机器学习 · arxiv.org