本論文では,木ベース探索と拡散モデルを組み合わせたモンテカルロツリーディフュージョン(MCTD)の効率を改善したFast‐MCTDを提案した。 MCTDは複雑な計画問題で優れたパフォーマンスを示していますが、ツリーナビゲーションの逐次特性と繰り返しノイズ除去のコストのために計算オーバーヘッドがかなりあります。 Fast-MCTD は、並列処理と軌跡調整によりこれらの問題を解決します。パラレルMCTDは遅延ツリー更新と冗長認識選択を介して並列ロールアウトを可能にし、Sparse MCTDは軌跡調整を介してロールアウト長さを短縮します。実験の結果、Fast-MCTDは従来のMCTDよりも最大100倍速く、同等またはより良い計画性能を示し、一部の作業では探索を必要としないDiffuserよりも速い推論速度を達成しました。