Cet article propose un module de coefficients adaptatifs multidimensionnels (MAC) pour améliorer les performances et la stabilité d'apprentissage des modèles d'écoulement et de diffusion. Il étend les coefficients unidimensionnels conventionnels aux modèles multidimensionnels et ajuste les coefficients de manière adaptative en fonction du chemin d'inférence. Le MAC est entraîné à l'aide d'un retour d'information basé sur la simulation via une amélioration antagoniste, démontrant une qualité de génération améliorée et une grande efficacité d'apprentissage dans divers cadres et jeux de données. Cela ouvre une nouvelle perspective sur l'optimisation du chemin d'inférence et encourage les recherches futures qui exploitent l'optimisation basée sur la simulation, efficace pour l'apprentissage, au-delà de la conception de champs vectoriels.
