本文提出了一种生成式端到端求解器，针对黑箱组合优化问题，旨在提高样本效率和解的质量。该方法基于退火算法，训练神经网络以建模玻尔兹曼分布，并在有限和无限查询预算下验证其在组合任务中的表现。

本研究提出了一种新颖的潜在评分匹配（PSM）方法，旨在降低传统分子结构采样的成本和复杂性。PSM通过潜在能量梯度引导生成模型，在有限和有偏的数据上有效去偏采样，生成的分子分布更接近玻尔兹曼分布，性能优于传统扩散模型。

本文介绍了一种新的图神经网络（GNNs）模型，使用玻尔兹曼分布和Langevin动力学全局采样拓扑布局，提升其在物理世界中的适用性。实验证明，分布式边缘布局（DELs）能够显著提升GNN基准算法在多个数据集上的性能。