本稿では、NP問題に対するブラックボックスの組み合わせを最適化するための生成的でエンドツーエンドのソルバーを提案します。アニーリングベースのアルゴリズムに触発され、ブラックボックス目的関数をエネルギー関数として扱い、関連するボルツマン分布をモデル化するニューラルネットワークを訓練します。温度を条件とすることで、ニューラルネットワークは高温ではほぼ均一分布から低温ではグローバル最適点周辺に急激に尖った分布の連続体を捉え、エネルギー地形の構造を学習し、グローバル最適化を容易にします。クエリが高価な場合、温度依存分布は自然にデータ拡張を可能にし、サンプル効率を向上させます。クエリが安くても問題が困難な場合、モデルは暗黙の変数相互作用を学習してブラックボックスを効果的に「開く」ことになります。制限付きおよび無制限のクエリ予算の両方で困難な組み合わせ操作へのアプローチを検証し、最先端のブラックボックスオプティマイザの競争力のあるパフォーマンスを実証します。
