Cet article propose un solveur génératif de bout en bout pour l'optimisation combinatoire boîte noire sur les problèmes NP. Inspirés par les algorithmes basés sur le recuit, nous traitons l'objectif boîte noire comme une fonction énergétique et entraînons un réseau neuronal qui modélise la distribution de Boltzmann associée. En conditionnant la température, le réseau neuronal capture un continuum de distributions, allant d'une distribution quasi uniforme à haute température à un pic marqué autour de l'optimum global à basse température. Cela permet au réseau d'apprendre la structure du paysage énergétique et de faciliter l'optimisation globale. Lorsque les requêtes sont coûteuses, la distribution dépendante de la température permet naturellement l'augmentation des données et améliore l'efficacité de l'échantillonnage. Lorsque les requêtes sont peu coûteuses mais que le problème est complexe, le modèle « ouvre » efficacement la boîte noire en apprenant les interactions implicites des variables. Nous validons notre approche sur des tâches combinatoires difficiles, avec des budgets de requêtes limités et illimités, démontrant des performances compétitives par rapport aux optimiseurs boîte noire de pointe.
