数独は離散的な制約の下で大域的な構造推論が必要とされる代表的な制約充足問題です。従来の数独ソルバーは、伝統的なヒューリスティック手法とディープラーニング手法の二つのアプローチが主流でした。しかし、これらの手法は相補的な限界を抱えています。学習ベースのソルバーは硬い正当性保証を欠いており、一方で完全な記号的ソルバーは長期尾検索に陥りやすいという問題があります。 これらの欠点に対処するため、研究チームは拡散モデルを活用した新しいアプローチ「DiBS」（Diffusion-Informed Branch Selection）を提案しました。DiBSの特徴は、記号的ソルバーの完全性を保持しながら、拡散モデルを分枝順序付けのガイドとして機能させる点です。具体的には、現在の部分的な割り当てと軽量な一貫性信号の下で、候補値をランク付けします。これにより、ソルバーは単なるランダムな選択ではなく、モデルの学習した知見に基づいて効率的な探索経路を辿ることができます。 チャレンジングなRoyle 17-clue数独ベンチマークにおける実験結果により、DiBSは強力なヒューリスティックベースラインと比較して探索コストを大幅に削減することが確認されました。特に、ノード数、バックトラック数、および長期尾パーセンタイルにおいて顕著な改善が見られています。研究チームは、学習した大域的ガイダンスが分枝順序の誤りが最も高くつく困難なインスタンスで特に効果的であることを実証しました。すべてのコードはGitHubで公開されています。