面向物理信息优化的端到端可微扩散条件控制

arXiv:2610.31721v1 公告类型：新 摘要：在评估成本高昂且约束复杂的情况下优化高维物理系统，是科学与工程领域面临的核心挑战。在离线基于模型的优化（MBO）中，方法必须仅利用固定数据集改进设计，且在测试时无法访问真实目标函数。然而，现有方法通常存在过度保守、无约束地利用代理模型，或仅作为静态的推理时采样器运行等问题，无法针对精确的物理目标对候选方案进行优化。在本文中，我们提出了用于离线 MBO 的可微扩散条件控制（Differentiable Diffusion Conditioning，D2C）方法。该方法利用了确定性采样这一特性，使反向去噪链相对于条件信号具有可微性。D2C 通过利用冻结代理目标和物理信息惩罚项所产生的梯度，并将其沿反向链反向传播，在测试时直接优化条件变量，从而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。我们在一个由提议器和评估器组成的框架中实现了这一思想，并在惯性约束聚变中的激光脉冲优化、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 任务上获得了最佳平均排名。