热点事件持续更新
研究人员提出面向物理信息优化的D2C方法
1 篇报道1 个报道来源9 小时前更新
先了解这件事
AI 综述
2026年10月26日，arXiv发布的研究显示，研究人员提出了一种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。该方法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，D2C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。
AI 根据报道生成 · 9 小时前更新
最新进展10月26日 12:00
研究团队提出端到端可微扩散条件方法D2C，并在多项优化任务中取得领先表现。报道时间线
沿着报道，了解事件的不同侧面。
10月26日
- arXiv 机器学习面向物理信息优化的端到端可微扩散条件方法
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。
本事件热度走势
当前热度 8·可比范围峰值 10（10月26日 13:00）·近 24 小时可比范围变化 –
趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。