물리학 기반 최적화를 위한 엔드투엔드 미분 가능한 확산 조건부 학습

arXiv:2610.31721v1 발표 유형: 신규 초록: 비용이 많이 드는 평가와 복잡한 제약 조건 하에서 고차원 물리 시스템을 최적화하는 문제는 과학과 공학 분야의 핵심 과제입니다. 오프라인 모델 기반 최적화(MBO)에서는 테스트 시간에 실제 목적함수에 대한 접근 없이, 고정된 데이터 세트만을 이용해 설계를 개선해야 합니다. 그러나 기존 방법들은 일반적으로 보수성 문제, 제약 없는 대리모델 활용, 또는 정밀한 물리적 목표에 맞춰 후보들을 정교하게 개선하지 못하는 정적인 추론 시점 샘플러로 작동하는 등의 한계를 안고 있습니다. 본 논문에서는 오프라인 MBO를 위한 미분 가능한 디퓨전 조건부(D2C) 방법을 제안합니다. 이 방법은 결정론적 샘플링이 역노이즈 체인을 조건부 신호에 대해 미분 가능하게 만든다는 점을 활용합니다. D2C는 …