Bài báo này đề xuất một bộ giải sinh sản, toàn diện cho tối ưu hóa tổ hợp hộp đen trên các bài toán NP. Lấy cảm hứng từ các thuật toán dựa trên ủ, chúng tôi coi mục tiêu hộp đen là một hàm năng lượng và huấn luyện một mạng nơ-ron mô hình hóa phân phối Boltzmann liên quan. Bằng cách điều kiện hóa nhiệt độ, mạng nơ-ron nắm bắt một chuỗi phân phối liên tục, từ gần như đồng đều ở nhiệt độ cao đến đạt đỉnh đột ngột quanh giá trị tối ưu toàn cục ở nhiệt độ thấp. Điều này cho phép mạng học cấu trúc của bối cảnh năng lượng và tạo điều kiện cho tối ưu hóa toàn cục. Khi các truy vấn tốn kém, phân phối phụ thuộc vào nhiệt độ tự nhiên cho phép tăng cường dữ liệu và cải thiện hiệu suất lấy mẫu. Khi các truy vấn rẻ nhưng bài toán khó, mô hình sẽ "mở" hộp đen một cách hiệu quả bằng cách học các tương tác biến ngầm định. Chúng tôi xác thực phương pháp của mình trên các tác vụ tổ hợp khó trong cả ngân sách truy vấn hữu hạn và không giới hạn, chứng minh hiệu suất cạnh tranh so với các bộ tối ưu hóa hộp đen tiên tiến.
