科学や工学において、評価コストが高く複雑な制約を持つ高次元物理システムを最適化することは中心的な課題である。オフラインのモデルベース最適化（MBO）では、固定されたデータセットのみを用い、テスト時に真の目的関数へアクセスできない状況で設計を改善しなければならない。既存手法には、保守的になりすぎる、代理モデルを制約なく悪用する、あるいは推論時の静的なサンプラーとしてしか機能せず、精密な物理目的に対して候補を洗練できないといった問題がある。
本論文は、この課題に対して微分可能拡散条件付け（Differentiable Diffusion Conditioning、D2C）を提案する。鍵となる観察は、決定論的サンプリングを用いると、逆ノイズ除去過程が条件信号に対して微分可能になるという点である。D2Cは、凍結された条件付き拡散モデルをエンドツーエンドの勾配ベース最適化器へと変える。テスト時に条件変数を直接最適化し、その勾配は凍結された代理目的関数と物理に基づくペナルティから、逆過程全体を通じて逆伝播される。これにより拡散モデルは固定された生成器ではなく、目的関数によって導かれる最適化過程として機能する。
実装では、このアイデアを提案器と評価器を組み合わせたフレームワークとして構成する。提案器は拡散モデルに基づいて候補を生成し、評価器は代理目的と物理ペナルティの勾配信号を提供する。
評価は三つの領域で行われる。第一に、慣性閉じ込め核融合におけるレーザーパルス最適化であり、高次元で評価が高価な物理設計問題の典型である。第二に、持続可能なデータセンターのワークロードスケジューリングであり、実運用における資源とエネルギー制約を扱う。第三に、4つの標準的なDesign-Benchオフライン最適化タスクである。結果として、D2Cは2つの実世界タスクで最も強い性能を示し、4つのDesign-Benchタスクで最良の平均順位を得た。本論文はarXivプレプリント（arXiv:2610.31721）であり、Ricardo Luna Gutierrez氏ら8名の著者による、NeurIPS 2026本会議への投稿版である。