Dans cet article, nous proposons Fast-MCTD, qui améliore l'efficacité de la diffusion arborescente de Monte-Carlo (MCTD) en combinant recherche arborescente et modèle de diffusion. Bien que la MCTD affiche d'excellentes performances sur les problèmes de planification complexes, elle engendre une surcharge de calcul importante en raison de la nature séquentielle de la recherche arborescente et du coût du débruitage itératif. Fast-MCTD résout ces problèmes grâce au traitement parallèle et à l'ajustement de trajectoire. La MCTD parallèle permet un déploiement parallèle grâce à la mise à jour différée de l'arbre et à la sélection tenant compte des doublons, tandis que la MCTD clairsemée réduit la longueur du déploiement grâce à l'ajustement de trajectoire. Les résultats expérimentaux montrent que Fast-MCTD est jusqu'à 100 fois plus rapide que la MCTD conventionnelle tout en obtenant des performances de planification égales ou supérieures. Dans certaines tâches, il atteint même une vitesse d'inférence supérieure à celle de Diffuser, qui ne nécessite pas de recherche.
