ऑफ़लाइन मॉडल-आधारित ऑप्टिमाइजेशन के लिए डिफ्यूजन मॉडल के साथ मार्गदर्शित ट्रैजेक्टरी उत्पन्न करना

जटिल और उच्च-आयाम के काले-बक्से कार्यों का ऑप्टिमाइजेशन विज्ञान और इंजीनियरिंग क्षेत्रों में सर्वव्यापी है। दुर्भाग्यवश, अधिकांश मामलों में समय और सुरक्षा के प्रतिबंधों के कारण इन कार्यों का ऑनलाइन मूल्यांकन सीमित है। ऑफ़लाइन मॉडल-आधारित ऑप्टिमाइजेशन (MBO) में, हम एक ऐसा डिज़ाइन ढूंढने का लक्ष्य रखते हैं जो केवल एक पूर्व-विद्यमान ऑफ़लाइन डेटा सेट का उपयोग करके लक्षित कार्य को अधिकतम करता है। जबकि पूर्ववर्ती तरीके समस्याओं को हल करने के लिए अग्रिम या विपरीत दृष्टिकोण पर विचार करते हैं, ये दृष्टिकोण संकीर्णता और अत्यधिक बहु-मोडल मानचित्रण सीखने में कठिनाई से सीमित हैं। हाल ही में, ऑफ़लाइन डेटा सेट से निर्मित सिंथेटिक ट्रैजेक्टरी के साथ समाधान सुधारने के लिए सीखने का एक नया पैरेडाइम उभर रहा है। इस पेपर में, हम उच्च-स्कोरिंग क्षेत्रों की ओर ट्रैजेक्टरी उत्पन्न करने के लिए एक नया सशर्त जनरेटिव मॉडलिंग दृष्टिकोण पेश करते हैं। पहले, हम डेटा सेट का उपयोग करके उच्च-स्कोरिंग क्षेत्रों की ओर सिंथेटिक ट्रैजेक्टरी का निर्माण करते हैं, जबकि लगातार सुधार दिशाओं के लिए स्थानीय पूर्वाग्रह का इंजेक्शन देते हैं। फिर, हम उनके स्कोर के आधार पर ट्रैजेक्टरी उत्पन्न करने के लिए एक सशर्त डिफ्यूजन मॉडल को प्रशिक्षित करते हैं। अंततः, हम प्रशिक्षित मॉडल से मार्गदर्शन के साथ कई ट्रैजेक्टरी का नमूना लेते हैं ताकि डेटा सेट के परे उच्च-स्कोरिंग क्षेत्रों का अन्वेषण कर सकें और उत्पन्न ट्रैजेक्टरी के बीच उच्च-विश्वसनीय डिज़ाइन का चयन कर सकें। विस्तृत प्रयोगात्मक परिणाम यह प्रदर्शित करते हैं कि हमारा तरीका डिज़ाइन-बेंच और इसके व्यावहारिक रूपांतरों पर प्रतिस्पर्धात्मक बेंचमार्क से बेहतर प्रदर्शन करता है। कोड सार्वजनिक रूप से उपलब्ध है https://github.com/dbsxodud-11/GTG पर।