Condizionamento differenziabile end-to-end della diffusione per l’ottimizzazione guidata dalla fisica

Abstract degli autori

Ottimizzare sistemi fisici ad alta dimensionalità, con valutazioni costose e vincoli complessi, è una sfida centrale per la scienza e l’ingegneria. Nell’ottimizzazione offline basata su modelli (MBO), i metodi devono migliorare i progetti utilizzando soltanto un insieme di dati fisso e senza accedere alla vera funzione obiettivo al momento del test. Tuttavia, i metodi esistenti tendono a essere conservativi, a sfruttare senza vincoli i modelli surrogati oppure a funzionare come campionatori statici in fase di inferenza, incapaci di perfezionare i candidati rispetto a obiettivi fisici precisi. In questo articolo proponiamo Differentiable Diffusion Conditioning (D2C) per l’MBO offline, che sfrutta il fatto che il campionamento deterministico rende differenziabile la catena inversa di denoising rispetto al segnale di condizionamento. D2C trasforma un modello di diffusione condizionale congelato in un ottimizzatore end-to-end basato sul gradiente, ottimizzando direttamente le variabili di condizionamento al momento del test tramite gradienti provenienti da obiettivi surrogati congelati e penalità guidate dalla fisica, propagati all’indietro attraverso la catena inversa. Implementiamo questa idea in un framework composto da un proponente e un valutatore e la valutiamo sull’ottimizzazione degli impulsi laser per la fusione a confinamento inerziale, sulla pianificazione sostenibile dei carichi di lavoro dei data center e su quattro task di Design-Bench. Il nostro metodo ottiene i risultati migliori nei due task del mondo reale e il miglior piazzamento medio nei quattro task di Design-Bench.