본 논문은 트리 기반 탐색과 확산 모델을 결합한 Monte Carlo Tree Diffusion (MCTD)의 효율성을 개선한 Fast-MCTD를 제안합니다. MCTD는 복잡한 계획 문제에서 우수한 성능을 보이지만, 트리 탐색의 순차적 특성과 반복적 잡음 제거의 비용으로 인해 계산 오버헤드가 상당합니다. Fast-MCTD는 병렬 처리와 궤적 조정을 통해 이러한 문제를 해결합니다. 병렬 MCTD는 지연된 트리 업데이트와 중복 인식 선택을 통해 병렬 롤아웃을 가능하게 하고, Sparse MCTD는 궤적 조정을 통해 롤아웃 길이를 줄입니다. 실험 결과, Fast-MCTD는 기존 MCTD보다 최대 100배 빠르면서도 동등하거나 더 나은 계획 성능을 보였으며, 일부 작업에서는 탐색이 필요 없는 Diffuser보다도 빠른 추론 속도를 달성했습니다.
