End-to-End Differentiable Diffusion Conditioning for Physics-Informed Optimization

📄 arXiv: 2610.31721v1 📥 PDF

作者: Ricardo Luna Gutierrez, Vineet Gundecha, Rahman Ejaz, Varchas Gopalaswamy, Riccardo Betti, Sahand Ghorbanpour, Aarne Lees, Soumyendu Sarkar

分类: cs.LG, cs.AI

发布日期: 2026-10-22

备注: Initial version submitted to the NeurIPS 2026 main conference pending publication

💡 一句话要点

提出可微分扩散条件优化方法以解决物理系统优化问题

🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation)

关键词: 物理系统优化 离线模型优化 可微分扩散 梯度优化 激光脉冲优化 数据中心调度 Design-Bench任务

📋 核心要点

  1. 现有的离线模型优化方法在高维物理系统优化中面临保守性和静态推断的局限，无法有效利用固定数据集。
  2. 本文提出的可微分扩散条件（D2C）方法，通过优化条件变量，将冻结的条件扩散模型转化为基于梯度的优化器。
  3. 在激光脉冲优化和其他实际任务中，D2C方法表现出色，取得了最佳结果和平均排名，展示了其有效性。

📝 摘要（中文）

优化高维物理系统在昂贵评估和复杂约束下是科学与工程中的核心挑战。在离线模型优化中，现有方法通常面临保守性、无约束代理利用或作为静态推断时间采样器的问题，无法针对精确的物理目标进行候选优化。本文提出了可微分扩散条件（D2C）方法，通过利用确定性采样使反向去噪链对条件信号可微，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。该方法在激光脉冲优化、可持续数据中心工作负载调度和四个Design-Bench任务上进行了评估，取得了最佳结果。

🔬 方法详解

问题定义：本文旨在解决高维物理系统优化中的离线模型优化问题，现有方法常常因保守性和静态推断而无法有效利用数据集进行优化。

核心思路：提出的可微分扩散条件（D2C）方法利用确定性采样的特性，使得反向去噪链对条件信号可微，从而可以在测试时直接优化条件变量。

技术框架：D2C方法在一个组合的提议-评估框架中实现，主要包括冻结的条件扩散模型和通过反向链传播的物理信息惩罚。

关键创新：D2C的核心创新在于将冻结的条件扩散模型转变为端到端的优化器，允许在测试时通过梯度优化条件变量，这与传统的静态推断方法有本质区别。

关键设计：在实现过程中，D2C方法采用了特定的损失函数和网络结构，以确保在优化过程中能够有效地反映物理约束和目标。具体参数设置和网络结构细节在论文中进行了详细描述。

🖼️ 关键图片

fig_0

📊 实验亮点

在实验中，D2C方法在激光脉冲优化和可持续数据中心工作负载调度任务上取得了最佳结果，并在四个Design-Bench任务中表现出最佳平均排名，显示出显著的性能提升。

🎯 应用场景

该研究的潜在应用领域包括激光脉冲优化、数据中心工作负载调度等高维物理系统的优化。通过有效利用固定数据集，D2C方法能够在复杂约束下实现更优的设计，具有重要的实际价值和广泛的应用前景。

📄 摘要（原文）

Optimizing high-dimensional physical systems under expensive evaluations and complex constraints is a central challenge in science and engineering. In offline model-based optimization (MBO), methods must improve designs using only a fixed dataset and no test-time access to the true objective. However, existing methods typically suffer from conservatism, unconstrained surrogate exploitation, or function as static inference-time samplers that cannot refine candidates against precise physical objectives. In this paper, we propose Differentiable Diffusion Conditioning (D2C) for offline MBO, which leverages the fact that deterministic sampling makes the reverse denoising chain differentiable with respect to the conditioning signal. D2C turns a frozen conditional diffusion model into an end-to-end gradient-based optimizer by directly optimizing conditioning variables at test time via gradients from frozen surrogate objectives and physics-informed penalties backpropagated through the reverse chain. We implement this idea in a composed proposer-evaluator framework and evaluate it on laser pulse optimization for inertial confinement fusion, sustainable data-center workload scheduling, and four Design-Bench tasks. Our method achieves the strongest results on the two real-world tasks and the best average rank across four Design-Bench tasks.